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 Nozioni di base introduttive
1. Introdurre brevemente l'installazione, la cronologia delle versioni e l'ambiente di programmazione di MATLAB.
2. MATLAB Operazioni di base (comprese le operazioni a matrice, il controllo logico e di processo, le funzioni e i file di script, i disegni di base, ecc.)
3. Importazione di file (MAT, TXT, XLS, CSV, ecc.)
Lezione 2: MATLAB Avanzamento e miglioramento
1. MATLAB Abitudini e stili di programmazione
2. MATLAB Abilità di debug
3. Programmazione vettoriale e ottimizzazione della memoria
4. Oggetti grafici e maniglie
Lezione 3: Reti neurali BP
1. Il principio di base della rete neurale BP
2. MATLAB implementazione della rete neurale BP
3. Pratica del caso
4. Ottimizzazione dei parametri della rete neurale BP
Lezione 4: Reti neurali RBF, GRNN e PNN
1. Il principio di base della rete neurale RBF
2. I principi di base della rete neurale GRNN
3. Il principio di base della rete neurale PNN
4. Pratica del caso
Lezione 5: Reti neurali concorrenti vs. reti neurali SOM
1. Principi di base delle reti neurali competitive
2. Principi di base delle reti neurali SOM (Self-Organizing Feature Mapping)
3. Pratica del caso
Lezione 6: Support Vector Machine (SVM)
1. Il principio di base della classificazione SVM
2. Il principio di base del regression fitting SVM
3. Algoritmi di addestramento comuni per SVM (chunking, SMO, apprendimento incrementale, ecc.)
4. Pratica del caso
Lezione 7: Extreme Learning Machine (ELM)
1. Il principio di base dell'ELM
2. La differenza e la connessione tra ELM e rete neurale BP
3. Pratica 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. Pratica del caso
Lezione 9: Algoritmo Genetico (GA)
1. Principi di base degli algoritmi genetici
2. Introduzione ai comuni toolbox degli algoritmi genetici
3. Pratica del caso
Lezione 10: Algoritmi di ottimizzazione dello sciame di particelle (PSO)
1. Il principio di base dell'algoritmo di ottimizzazione dello sciame di particelle
2. Pratica del caso
Lezione 11: Algoritmo delle colonie di formiche (ACA)
1. Il principio di base dell'algoritmo di ottimizzazione dello sciame di particelle
2. Pratica del caso
Lezione 12: Ricottura simulata (SA)
1. Il principio di base dell'algoritmo di ricottura simulata
2. Pratica del caso
Lezione 13: Riduzione della dimensionalità e selezione delle caratteristiche
1. Il principio di base dell'analisi delle componenti principali
2. Il principio di base dei minimi quadrati parziali
3. Metodi comuni di selezione delle caratteristiche (ricerca di ottimizzazione, filtro, wrapper, ecc.)
Requisiti
Ulteriore matematica
Algebra lineare
21 ore
Recensioni (2)
Pratica nella costruzione del codice da zero.
Igor - Draka Comteq Fibre B.V.
Corso - Introduction to Image Processing using Matlab
Traduzione automatica
Trainer took the initiative to cover additional content outside our course materials to improve our learning.
