机器学习与MATLAB
查看日程安排和登记课程详细信息
这两天的课程着重于在MATLAB数据分析和机器学习技术®在统计和机器学习中使用功能工具箱™和深度学习工具箱™。无监督学习的课程演示了使用发现功能在大型数据集和监督学习来建立预测模型。可视化例子和练习强调技术和评估结果。
主题包括:
- 组织和数据预处理
- 聚类数据
- 创建分类和回归模型
- 解读和评估模型
- 简化数据集
- 使用乐团改善模型性能
第一天2
导入和组织数据
摘要目的:把数据转换为MATLAB和组织进行分析,包括规格化数据和删除观测用缺失值。
- 数据类型
- 表
- 数据准备
发现自然数据中的模式
摘要目的:使用无监督学习技术组观察基于一组解释变量和发现自然的模式在一个数据集。
- 无监督学习
- 聚类方法
- 集群的评价和解释
构建分类模型
摘要目的:使用监督学习技术进行预测建模的分类问题。评估预测模型的准确性。
- 监督式学习
- 培训和验证
- 分类方法
第二天2
改进预测模型
摘要目的:减少数据集的维数,改进和简化机器学习模型。
- 交叉验证
- Hyperparameter优化
- 功能转换
- 特征选择
- 整体学习
构建回归模型
摘要目的:使用监督学习技术进行连续反应变量的预测建模。
- 参数回归方法
- 非参数回归方法
- 评价回归模型
建立神经网络
摘要目的:创建和训练神经网络聚类和预测建模。调整网络结构来提高性能。
- 聚类和自组织映射
- 分类与前馈网络
- 回归与前馈网络
