Использование модели машинного обучения в Simulink для приема потоковых данных и прогнозирования оценки метки и классификации с помощью модели SVM.
Использование модели машинного обучения в Simulink для приема потоковых данных и прогнозирования оценки метки и классификации с помощью модели SVM.

Что входит в курс:

  • Организация и предварительная обработка данных;

  • Кластеризация;

  • Построение моделей классификации и регрессии;

  • Интерпретация и оценка моделей;

  • Уменьшение размерности множества данных;

  • Использование ансамбля обучений для повышения эффективности модели.

Предварительная подготовка:

Опыт работы с MATLAB на уровне курса MLBE.

Продолжительность курса - 2 дня.

Использование модели машинного обучения в Simulink для приема потоковых данных и прогнозирования оценки метки и классификации с помощью модели SVM. Использование модели машинного обучения в Simulink для приема потоковых данных и прогнозирования оценки метки и классификации с помощью модели SVM.

Программа

День 1

Модуль 1. Импорт и организация данных.

Модуль 2. Нахождение естественных структур в данных.

Модуль 3. Построение предсказательной модели.

День 2

Модуль 4. Повышение производительности моделей.

Модуль 5. Построение регрессионных моделей.

Модуль 6. Создание нейронных сетей.

День 1

Модуль 1. Импорт и организация данных.

Импорт данных в MATLAB и их организация для последующего анализа, включая нормировку и обработку наблюдений с пропущенными значениями.

  • Типы данных;
  • Таблицы;
  • Данные категорий;
  • Подготовка данных.

Модуль 2. Нахождение естественных структур в данных.

Использование методов обучения без учителя для группировки наблюдений основанных на множестве независимых переменных и исследование естественных структур исходного множества.

  • Обучение без учителя;
  • Методы кластеризации;
  • Оценка и интерпретация кластеров.

Модуль 3. Построение предсказательной модели.

Использование методов обучения с учителем для выполнения прогнозного моделирования в задачах классификации. Оценка точности прогнозной модели.

  • Обучение с учителем;
  • Обучение и проверка;
  • Методы классификации.

День 2

Модуль 4. Повышение производительности моделей.

Уменьшение размерности набора данных. Улучшение и упрощение моделей машинного обучения

  • Перекрестная проверка;
  • Выбор характеристик;
  • Извлечение характеристик;
  • Ансамбль обучений.

Модуль 5. Построение регрессионных моделей.

Использование обучения с учителем для выполнения предсказательного моделирования для случая непрерывного отклика

  • Параметрические регрессионные методы;
  • Непараметрические регрессионные методы;
  • Оценка модели.

Модуль 6. Создание нейронных сетей.

Создание нейронных сетей для целей кластеризации и прогнозного моделирования. Настройка архитектуры сети для повышения производительности.

  • Кластеризация на основе самоорганизующихся карт;
  • Классификация нейронными сетями прямого распространения;
  • Регрессия нейронными сетями прямого распространения.

${message}

${message}