使用MATLAB 进行机器学习
课程详细信息
此为期两天的课程重点介绍 MATLAB 中使用 Statistics Toolbox , Machine Learning Toolbox™ 和 Deep Learning Toolbox™ 功能的数据分析和机器学习技术。本课程 演示如何通过非监督学习发现大数据集的特点,以及通过监督学 习建立预测模型。课程中的示例和练习强调用于呈现和评估结果 的技巧。
内容包括:
- 组织和预处理数据
- 聚类数据
- 创建分类模型
- 评估和改善模型
- 化简数据集
- 改善模型性能
Day 1 of 2
导入和组织数据
Objective: 将数据导入 MATLAB 并进行分析,包括归一化数据,移除缺失数据观测值。
- 数据类型
- 表格
- 数据准备
寻找数据内在模式
Objective: 使用无监督学习技术基于一组解释变量组织观测值,发现数据集内在模式。
- 无监督学习
- 聚类分析法
- 聚类验证和解释
建立分类模型
Objective: 对于分类问题,使用监督学习技术进行预测建模。评估预测模型的准确性。
- 监督学习
- 训练和验证
- 分类方法
Day 2 of 2
改进预测模型
Objective: 减小数据集维数。改善和简化机器学习模型。
- 交叉验证
- 超参数优化
- 特征变换
- 特征选择
- 集成学习
建立回归模型
Objective: 对于连续响应变量,使用有监督的学习技术进行预测建模。
- 参数回归方法
- 非参数回归方法
- 回归方法评估
创建神经网络
Objective: 创建和训练神经网络用于聚类分析和预测建模。调整网络结构改善性能。
- 自组织映射聚类分析
- 前馈网络分类
- 前馈网络回归