План на курса

Урок 1: MATLAB Основи на първите стъпки
1. Представете накратко инсталацията, историята на версиите и средата за програмиране на MATLAB
2. MATLABОсновни операции (включително матрични операции, логика и контрол на процеси, функционални и скриптови файлове, основни чертежи и др.)
3. Импортиране на файлове (mat, txt, xls, csv и други формати)
Урок 2: MATLAB Напредък и усъвършенстване
1. MATLAB Навици и стилове на програмиране
2. MATLABУмения за отстраняване на грешки
3. Векторизирано програмиране и оптимизиране на паметта
4. Графични обекти и дръжки
Урок 3: BP невронна мрежа
1. Основни принципи на BP невронна мрежа
2. MATLAB Внедряване на BP невронна мрежа
3. Казус от практиката
4. Оптимизиране на параметрите на невронната мрежа на BP
Урок 4: RBF, GRNN и PNN невронни мрежи
1. Основни принципи на RBF невронна мрежа
2. Основни принципи на невронната мрежа GRNN
3. Основни принципи на невронната мрежа PNN
4. Казус от практиката
Урок 5: Конкурентна невронна мрежа и SOM невронна мрежа
1. Основни принципи на конкурентните невронни мрежи
2. Основни принципи на невронната мрежа на самоорганизиращата се карта на характеристиките (SOM).
3. Казус от практиката
Урок 6: Поддържаща векторна машина (SVM)
1. Основни принципи на класификацията на SVM
2. Основни принципи на регресионното напасване на SVM
3. Общи алгоритми за обучение на SVM (блокиране, SMO, постепенно обучение и т.н.)
4. Казус от практиката
Урок 7: Машина за екстремно обучение (ELM)
1. Основни принципи на ELM
2. Разликата и връзката между ELM и BP невронна мрежа
3. Казус от практиката
Урок 8: Дървета на решенията и произволни гори
1. Основни принципи на дърветата на решенията
2. Основни принципи на случайната гора
3. Казус от практиката
Урок 9: Генетичен алгоритъм (GA)
1. Основни принципи на генетичния алгоритъм
2. Въведение в общите инструменти за генетичен алгоритъм
3. Казус от практиката
Урок 10: Алгоритъм за оптимизиране на рояк частици (PSO).
1. Основни принципи на алгоритъма за оптимизация на рояк частици
2. Казус от практиката
Урок 11: Алгоритъм за колония на мравки (ACA)
1. Основни принципи на алгоритъма за оптимизация на рояк частици
2. Казус от практиката
Урок 12: Симулирано отгряване (Simulated Annealing, SA)
1. Основни принципи на симулиран алгоритъм за отгряване
2. Казус от практиката
Урок 13: Намаляване на размерността и избор на характеристики
1. Основни принципи на анализа на главните компоненти
2. Основни принципи на частичните най-малки квадрати
3. Общи методи за избор на функции (оптимизирано търсене, филтър и обвивка и т.н.)

Изисквания

Линейна алгебра по математика за напреднали

 21 Часа

Брой участници


Цена за участник

Oтзиви от потребители (2)

Предстоящи Курсове

Свързани Kатегории