Plan du cours

Leçon 1 : MATLAB Les bases de la mise en route
1, une brève introduction à l'installation de MATLAB, à l'historique des versions et à l'environnement de programmation
2, opérations de base MATLAB (y compris les opérations matricielles, la logique et le contrôle de processus, les fonctions et les fichiers de script, le dessin de base, etc.)
3, importation de fichiers (mat, txt, xls, csv et autres formats)
Leçon 2 : MATLAB Avancé et amélioration
1、 MATLAB habitudes et styles de programmation
2, MATLAB compétences de débogage
3、 Programmation vectorielle et optimisation de la mémoire
4、 Objets graphiques et poignées
Leçon 3 : Réseau neuronal BP
1、 Principe de base du réseau neuronal BP
2, MATLAB Mise en oeuvre d'un réseau neuronal BP
3、 Cas pratique
4、 Optimisation des paramètres du réseau neuronal BP
Leçon 4 : Réseaux neuronaux RBF, GRNN et PNN
1、 Le principe de base du réseau neuronal RBF
2、 Principe de base du réseau neuronal GRNN
3、 Le principe de base du réseau neuronal PNN
4、 Cas pratique
Leçon 5 : Réseaux neuronaux compétitifs et réseaux neuronaux SOM
1、 Principe de base des réseaux neuronaux compétitifs
2、 Principes de base des réseaux neuronaux à cartographie de caractéristiques auto-organisées (SOM)
3、 Cas pratique
Leçon 6 : Machine à vecteurs de support (SVM )
1、 Le principe de base de la classification par SVM
2、 Le principe de base de l'ajustement de régression SVM
3. Algorithmes d'apprentissage communs aux SVM (chunking, SMO, apprentissage incrémental, etc.)
4、 Cas pratique
Leçon 7 : Machine d'apprentissage extrême (EL M)
1、 Principe de base de l'ELM
2, Différence et connexion entre ELM et réseau neuronal BP
3、 Cas pratique
Leçon 8 : Arbre de décision et forêt aléatoire
1、 Le principe de base de l'arbre de décision
2、 Le principe de base de la forêt aléatoire
3、 Cas pratique
Leçon 9 : Algorithme génétique (AG )
1. le principe de base de l'algorithme génétique
2. introduction à la boîte à outils commune des algorithmes génétiques
3、 Cas pratique
Leçon 10 : Algorithme d'optimisation par essaim de particules (PSO)
1、 Principe de base de l'algorithme d'optimisation par essaim de particules
2、 Cas pratique
Leçon 11 : Algorithme de colonies de fourmis (ACA )
1) Principes de base de l'algorithme d'optimisation par essaims de particules
2. étude de cas
Leçon 12 : Recuit simulé (SA )
1) Principes de base de l'algorithme de recuit simulé (SA)
2. étude de cas
Leçon 13 : Réduction de la dimensionnalité et sélection des caractéristiques
1、 Le principe de base de l'analyse en composantes principales
2、 Le principe de base des moindres carrés partiels
3、 Méthodes courantes de sélection des caractéristiques (recherche d'optimisation, filtre et enveloppe, etc.)

Pré requis

高等数学
线性代数

 21 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires