基于MATLAB的机器学习
查看时间表和注册课程详细信息
这个为期两天的课程主要集中在MATLAB中的数据分析和机器学习技术®使用统计和机器学习工具箱™和深度学习工具箱™中的功能。本课程演示了使用无监督学习来发现大型数据集中的特征,以及使用监督学习来构建预测模型。例子和练习强调可视化和结果评估的技术。
主题包括:
- 组织和预处理数据
- 聚类数据
- 创建分类和回归模型
- 解释和评估模型
- 简化数据集
- 使用集成来改进模型性能
2天中的第一天
导入和组织数据
摘要目的:将数据导入MATLAB并进行组织分析,包括规范化数据和删除缺失值的观测值。
- 数据类型
- 表
- 分类数据
- 数据准备
在数据中寻找自然模式
摘要目的:使用无监督学习技术根据一组解释变量对观察结果进行分组,并在数据集中发现自然模式。
- 无监督学习
- 聚类方法
- 聚类评估和解释
建筑分类模型
摘要目的:使用监督学习技术对分类问题进行预测建模。评估预测模型的准确性。
- 监督式学习
- 培训和验证
- 分类方法
2天中的第二天
改进预测模型
摘要目的:降低数据集的维数。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
建立回归模型
摘要目的:使用监督学习技术对连续响应变量进行预测建模。
- 参数回归方法
- 非参数回归方法
- 回归模型的评价
创建神经网络
摘要目的:创建和训练用于聚类和预测建模的神经网络。调整网络架构,提升性能。
- 使用自组织映射进行聚类
- 前馈网络分类
- 前馈网络回归