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.
Struttura del corso
Lezione 1: MATLAB Per iniziare 1. Introdurre brevemente l'installazione, la cronologia delle versioni e l'ambiente di programmazione di MATLAB. 2. MATLAB Operazioni di base (incluse operazioni matriciali, logica e controllo di flusso, file di funzione e script, disegno di base, ecc.) 3. Importazione di file (MAT, TXT, XLS, CSV e altri formati) Lezione 2: MATLAB Progressione e miglioramento 1. MATLAB Abitudini e stile di programmazione 2. MATLAB Capacità di debug 3. Programmazione vettoriale e ottimizzazione della memoria 4. Oggetti grafici e maniglie Lezione 3: Reti neurali BP 1. Principi di base delle reti neurali BP 2. MATLAB implementazione della rete neurale BP 3. Prassi del caso 4. Ottimizzazione dei parametri della rete neurale BP Lezione 4: Reti neurali RBF, GRNN e PNN 1. Principi di base delle reti neurali RBF 2. Il principio di base della rete neurale GRNN 3. Principi di base delle reti neurali PNN 4. Prassi del caso Lezione 5: Reti neurali competitive e reti neurali SOM 1. Il principio di base delle reti neurali competitive 2. Il principio di base delle reti neurali SOM (Self-Organizing Feature Mapping) 3. Prassi del caso Lezione 6: Supporto Vector Machine (SVM) 1. Principi di base della classificazione SVM 2. Principi di base del raccordo di regressione SVM 3. Algoritmi di addestramento SVM comuni (chunk, SMO, apprendimento incrementale, ecc.) 4. Prassi del caso Lezione 7: Extreme Learning Machine (ELM) 1. Il principio di base della ELM 2. La differenza e la connessione tra ELM e rete neurale BP 3. Prassi del caso Lezione 8: Alberi decisionali e foreste casuali 1. I principi di base degli alberi decisionali 2. Il principio di base della foresta casuale 3. Prassi del caso Lezione 9: Algoritmo genetico (GA) 1. Principi di base degli algoritmi genetici 2. Introduzione agli strumenti comuni degli algoritmi genetici 3. Prassi del caso Lezione 10: Algoritmo PSO (Particle Swarm Optimization) 1. Il principio di base dell'algoritmo di ottimizzazione dello sciame di particelle 2. Prassi del caso Lezione 11: Algoritmo della colonia di formiche (ACA) 1. Il principio di base dell'algoritmo di ottimizzazione dello sciame di particelle 2. Prassi del caso Lezione 12: Ricottura simulata (SA) 1. Il principio di base dell'algoritmo di ricottura simulata 2. Prassi del caso Lezione 13: Riduzione della dimensionalità e selezione delle caratteristiche 1. Principi di base dell'analisi delle componenti principali 2. Il principio di base dei minimi quadrati parziali 3. Metodi comuni di selezione delle funzionalità (ricerca ottimizzata, filtro e wrapper, ecc.)
Requisiti
Matematica avanzata Algebra lineare
21 ore
