Курс посвящен анализу данных и методам машинного обучения в MATLAB. Рассматриваются техники обучения без учителя для исследования и обнаружения особенностей в больших наборах данных и обучения с учителем для построения прогнозных моделей. На примерах и упражнениях будут рассмотрены методы визуализации и оценки результатов.


Код тренинга: MLML

Продолжительность курса: 2 дня

Стоимость курса:  25000 рублей

 

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.

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

  • Импорт и организация данных.
  • Нахождение естественных структур в данных.
  • Построение предсказательной модели.

День 2

  • Повышение производительности моделей.
  • Построение регрессионных моделей.
  • Создание нейронных сетей.

Подробная программа

День 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.

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.

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

Повышение производительности моделей

Уменьшение размерности набора данных. Улучшение и упрощение моделей машинного обучения

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

Построение регрессионных моделей

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

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

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.

Спикеры

Артем Багров
Артем Багров
Артем Багров

Инженер ЦИТМ Экспонента, к.т.н. В 2004 году окончил МГУ им. Ломоносова, в 2008 защитил кандидатскую диссертацию. Работает в компании с 2010 года. Специализируется на технических вычислениях и мат. моделировании.

Предварительная подготовка

  • Опыт работы с MATLAB на уровне курса MLBE
  • Пройденный тренинг "Статистический анализ в MATLAB" (MLST)