Schulungsübersicht
Lektion 1: MATLAB Erste Schritte - Grundlagen
1, eine kurze Einführung in die MATLAB-Installation, Versionsgeschichte und Programmierumgebung
2, MATLAB Grundlegende Operationen (einschließlich Matrixoperationen, Logik und Prozesssteuerung, Funktionen und Skriptdateien, grundlegendes Zeichnen, usw.)
3, Datei-Import (mat, txt, xls, csv und andere Formate)
Lektion 2: MATLAB Fortgeschrittene und Verbesserung
1、 MATLAB Programmiergewohnheiten und -stile
2, MATLAB Fähigkeiten zur Fehlersuche
3、 Vektorisierte Programmierung und Speicheroptimierung
4、 Grafische Objekte und Handles
Lektion 3: BP Neuronales Netzwerk
1、 Grundprinzip des neuronalen BP-Netzes
2, MATLAB Implementierung eines neuronalen BP-Netzes
3、 Praxisfall
4、 Optimierung der Parameter des neuronalen BP-Netzes
Lektion 4: Neuronale Netze RBF, GRNN und PNN
1、 Das Grundprinzip des neuronalen RBF-Netzes
2、 Das Grundprinzip des neuronalen Netzes GRNN
3、 Das Grundprinzip des neuronalen Netzes PNN
4、 Praxisbeispiel
Lektion 5: Kompetitive Neuronale Netze und SOM Neuronale Netze
1、 Grundprinzip des kompetitiven neuronalen Netzes
2、 Grundprinzipien des selbstorganisierten neuronalen Netzes (SOM - Self-Organised Feature Mapping)
3、 Praxisbeispiel
Lektion 6: Stützvektormaschine (SVM)
1、 Das Grundprinzip der SVM-Klassifikation
2、 Das Grundprinzip der SVM-Regressionsanpassung
3, SVM-Trainingsalgorithmen (Chunking, SMO, inkrementelles Lernen, etc.)
4、 Praxisbeispiel
Lektion 7: Extreme Learning Machine (ELM)
1、 Das Grundprinzip der ELM
2, Unterschied und Verbindung zwischen ELM und BP Neuronalem Netz
3、 Fallbeispiel
Lektion 8: Entscheidungsbaum und Random Forest
1、 Das Grundprinzip des Entscheidungsbaums
2、 Das Grundprinzip des Random Forest
3、 Fallbeispiel
Lektion 9: Genetischer Algorithmus (GA)
1, das Grundprinzip des genetischen Algorithmus
2, Einführung in gängige genetische Algorithmus-Toolboxen
3、 Fallbeispiel
Lektion 10: Partikelschwarm-Optimierung (PSO) Algorithmus
1、 Das Grundprinzip des Partikelschwarm-Optimierungsalgorithmus
2、 Praxisbeispiel
Lektion 11: Ameisenkolonie-Algorithmus (ACA)
1. die Grundprinzipien des Partikelschwarm-Optimierungsalgorithmus
2、 Fallstudie
Lektion 12: Simuliertes Annealing (SA)
1) Grundprinzipien des Simulated Annealing Algorithmus (SA)
2) Fallstudie
Lektion 13: Dimensionalitätsreduktion und Merkmalsauswahl
1、 Das Grundprinzip der Hauptkomponentenanalyse
2、 Das Grundprinzip der partiellen kleinsten Quadrate
3、 Gängige Methoden der Merkmalsauswahl (Optimierungssuche, Filter und Wrapper, etc.)
Voraussetzungen
Höhere Mathematik
Lineare Algebra