Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Les 1: MATLAB Basisbeginselen van toegang 1. Korte introductie tot MATLAB installatie, versiegeschiedenis en programmeeromgeving 2. MATLAB Basisbewerkingen (inclusief matrixbewerkingen, logica en procescontrole, functies en scriptbestanden, basistekening, enz. .) 3. Bestanden importeren (mat-, txt-, xls-, csv-, etc.-formaten) Les 2: MATLAB Vooruitgang en verbetering 1. MATLAB Programmeergewoonten en -stijlen 2. MATLAB Foutopsporingsvaardigheden 3. Gevectoriseerd programmeren en geheugen Optimalisatie 4. Grafische objecten en handvatten Les 3: BP neuraal netwerk 1. Basisprincipes van BP neuraal netwerk 2. MATLAB implementatie van BP neuraal netwerk 3. Case practice 4. Optimalisatie van BP neuraal netwerkparameters Les 4: RBF, GRNN en PNN neuraal netwerk 1. Basisprincipes van RBF neuraal netwerk 2. Basisprincipes van GRNN neuraal netwerk 3. Basisprincipes van PNN neuraal netwerk 4. Praktijkvoorbeeld Les 5: Competitief neuraal netwerk en SOM neuraal netwerk 1. Basisprincipes van competitief neuraal netwerk Principe 2 Basisprincipes van het zelforganiserende feature map (SOM) neuraal netwerk 3. Praktijkvoorbeeld Les 6: Support Vector Machine (SVM) 1. Basisprincipes van SVM-classificatie 2. Basisprincipes van SVM-regressieaanpassing 3, Algemene trainingsalgoritmen van SVM ( blocking, SMO, incremental learning, etc.) 4. Case practice les 7: Extreme Learning Machine (ELM) 1. Basisprincipes van ELM 2. Het verschil tussen ELM en BP neuraal netwerk 3. Case practice les 8: Decision Tree en Random Bos 1. Basisprincipes van beslissingsbomen 2. Basisprincipes van willekeurig bos 3. Casepraktijk Les 9: Genetisch algoritme (GA) 1. Genetisch algoritme Basisprincipes 2. Inleiding tot algemene gereedschapskisten voor genetische algoritmen 3. Casepraktijk Les 10: Deeltjeszwerm Optimalisatiealgoritme (PSO) 1. Basisprincipes van het algoritme voor deeltjeszwermoptimalisatie 2. Praktijkvoorbeeld Les 11: Mierenkoloniealgoritme (Ant Colony Algorithm, ACA) 1. Basisprincipes van algoritme voor deeltjeszwermoptimalisatie 2. Praktijkvoorbeeld Les 12: Gesimuleerd gloeialgoritme (Simulated Annealing, SA) 1. Basisprincipes van gesimuleerd annealing-algoritme 2. Praktijkvoorbeeld Les 13: Dimensionaliteitsreductie en kenmerkselectie 1. Basisprincipes van hoofdcomponentenanalyse 2. Basisprincipes van gedeeltelijke kleinste kwadraten 3. Algemene kenmerkselectiemethoden (geoptimaliseerd zoeken, filteren en wrappen, etc.)
Requirements
Geavanceerde wiskunde Lineaire algebra
21 Hours
