Машинное обучение в MATLAB
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.
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
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.
