Formazione MATLAB e Simulink

Machine Learning con MATLAB

Guarda il programma e iscriviti

Dettagli dei corsi

Questo corso di due giorni verte sull'analisi dei dati e sulle tecniche di Machine Learning in MATLAB® utilizzando le funzionalità offerte da Statistics and Machine Learning Toolbox™ e Deep Learning Toolbox™. Il corso illustra l'utilizzo dell'apprendimento senza supervisione per rilevare le feature di grandi set di dati e dell'apprendimento con supervisione per elaborare modelli predittivi. Gli esempi e gli esercizi evidenziano le tecniche utili per la visualizzazione e la valutazione dei risultati. Elenco degli argomenti:
 
  • Organizzazione e pre-elaborazione dei dati
  • Clustering dei dati
  • Creazione di modelli di classificazione e regressione
  • Interpretazione e valutazione dei modelli
  • Semplificazione dei set di dati
  • Utilizzo di insiemi per migliorare le prestazioni dei modelli

Giorno 1/2


Importazione e organizzazione di dati

Obiettivo: Importare i dati in MATLAB e organizzarli per l'analisi, incluse la normalizzazione dei dati e la rimozione di osservazioni con valori mancanti.

  • Tipi di dati
  • Tabelle
  • Preparazione dei dati

Ricerca di pattern naturali nei dati

Obiettivo: Utilizzare tecniche di apprendimento senza supervisione per raggruppare osservazioni in base a un set di variabili esplicative e individuare pattern naturali in un set di dati.

  • Apprendimento senza supervisione
  • Metodi di clustering
  • Interpretazione e valutazione dei cluster

Costruzione di modelli di classificazione

Obiettivo: Usare le tecniche di apprendimento con supervisione per realizzare modelli predittivi per problemi di classificazione. Valutare la precisione di un modello predittivo.

  • Apprendimento con supervisione
  • Training e convalida
  • Metodi di classificazione

Giorno 2/2


Miglioramento dei modelli predittivi

Obiettivo: Ridurre la dimensionalità di un set di dati. Migliorare e semplificare i modelli di Machine Learning.

  • Convalida incrociata
  • Ottimizzazione degli iperparametri
  • Trasformazione delle feature
  • Selezione delle feature
  • Apprendimento d'insieme

Costruzione di modelli di regressione

Obiettivo: Usare le tecniche di apprendimento con supervisione per costruire modelli predittivi per variabili di risposta continue.

  • Metodi di regressione parametrica
  • Metodi di regressione non parametrica
  • Valutazione dei modelli di regressione

Creazione di reti neurali

Obiettivo: Creare e addestrare reti neurali per clustering e modelli predittivi. Modificare l'architettura della rete per migliorare le prestazioni.

  • Clustering con self-organizing map (SOM)
  • Classificazione con reti feed-forward
  • Regressione con reti feed-forward

Livello: Intermedio

Prerequisiti:

Durata: 2 giorni

Lingue: Deutsch, English, 日本語, 한국어, 中文

Guarda il programma e iscriviti