Maschinelles Lernen mit MATLAB

Kursbeschreibung

In diesem zweitägigen Kurs wenden Sie verschiedene Verfahren der Datenanalyse und des maschinellen Lernens in MATLAB^® mit Hilfe von Funktionalitäten der Statistics and Machine Learning Toolbox™ und der Deep Learning Toolbox™ an. Sie verwenden Methoden des unüberwachten Lernens zum Erkennen von Merkmalen in großen Datensätzen, und erstellen Vorhersagemodelle mit Algorithmen des überwachten Lernens. Anhand praktischer Beispiele und Übungen werten Sie die Ergebnisse analytisch und grafisch aus.
Themen sind unter anderem:

Organisieren und Aufbereiten von Daten
Durchführen von Clusteranalysen
Erstellen von Klassifikations- und Regressionsmodellen
Interpretieren und Auswerten von Modellen
Vereinfachen von Datensätzen
Verwenden von Ensemble-Learning-Methoden zur Verbesserung der Performance

Tag 1 von 2

Importieren und Organisieren von Daten

Ziel: Importieren, Organisieren und Aufbereiten von Daten für die nachfolgende Analyse. Dies beinhaltet Normalisieren der Daten und Umgang mit Datenlücken.

Datentypen
Tabellarische Daten
Datenaufbereitung

Ermitteln natürlicher Muster in Daten

Ziel: Verwenden von Methoden des unüberwachten Lernens, um Beobachtungen zu gruppieren und natürliche Muster aufzudecken.

Unüberwachtes Lernen
Clusteranalyse
Auswertung und Interpretation von Clustern

Erstellen von Klassifikationsmodellen

Ziel: Erstellen diskreter Vorhersagemodelle durch Methoden des überwachten Lernens und Auswerten der Vorhersagegenauigkeit.

Überwachtes Lernen
Training und Validierung
Klassifikationsmethoden

Tag 2 von 2

Überprüfen und Verbessern des Modells

Ziel: Reduzieren der Dimensionalität von Datensätzen um Vorhersagemodelle zu vereinfachen. Verbesserung des Modells durch Auswahl geeigneter Algorithmen.

Kreuzvalidierungsverfahren
Optimierung von Hyperparametern
Transformation von Merkmalen
Auswahl von Merkmalen
Ensemble-Learning-Algorithmen (Boosting und Bagging)

Erstellen von Regressionsmodellen

Ziel: Erstellen und Auswerten kontinuierlicher Vorhersagemodelle durch Methoden des überwachten Lernens.

Parametrische Regressionsmodelle
Nichtparametrische Regressionsmodelle
Auswerten von Regressionsmodellen

Erstellen Neuronaler Netze

Ziel: Erstellen und Trainieren neuronaler Netze um Muster in Daten zu erkennen (Clusteranalyse) und Vorhersagen zu treffen. Anpassen der Netzwerkarchitektur zur Verbesserung der Performance.

Clustern mit selbstorganisierenden Karten (self-organizing maps)
Klassifikation mit vorwärtsgerichteten neuronalen Netzen (feed-forward neural networks)
Regression mit vorwärtsgerichteten neuronalen Netzen (feed-forward neural networks)

Stufe: Aufbaukurse

Voraussetzungen:

Grundkenntnisse in MATLAB entsprechend der Schulung MATLAB Grundlagen oder äquivalent

Dauer: 2 Tage

Sprachen: English, Français, 中文, 日本語, 한국어

Programm ansehen und anmelden