Open positions
ΣΕΜΙΝΑΡΙΟ MATLAB
HANDS-ON TRAINING (Machine Learning): Μηχανική Μάθηση και Αναγνώριση Προτύπων με το MATLAB Τρίτη 16/07/2019, Ώρα: 10:00-17:00 |
|||||||
|
|||||||
Εκπαιδευτείτε στην επίλυση εξειδικευμένων προβλημάτων στατιστικής ανάλυσης χρησιμοποιώντας το MATLAB. Θα επεξεργαστούμε μαζί παραδείγματα μηχανικής μάθησης (machine learning) και αναγνώρισης προτύπων (pattern matching) χρησιμοποιώντας γενικευμένα μοντέλα παλινδρόμησης, αλγορίθμους συσταδοποίησης (clustering) και αλγόριθμους ταξινόμησης (classification). |
|||||||
|
|||||||
ΧΩΡΟΣ ΔΙΕΞΑΓΩΓΗΣ: Το εκπαιδευτικό αυτό σεμινάριο θα πραγματοποιηθεί στα γραφεία μας, Λ. Μαραθώνος 53, ΠΑΛΛΗΝΗ, 15351. (χάρτης) |
|||||||
|
|||||||
ΟΜΙΛΗΤΗΣ:
Ζαχαρίας Γκέτσης,
MENTOR HELLAS Senior Application Engineer
|
|||||||
|
|||||||
Περιγραφή Τα θέματα που θα παρουσιαστούν στο εκπαιδευτικό αυτό σεμινάριο, αναπτύσσονται βήμα-βήμα μέσω παραδειγμάτων τα οποία θα εκτελούνται συγχρόνως από τον εισηγητή και τους εκπαιδευόμενους μέσα στο MATLAB. Οι εκπαιδευόμενοι θα έχουν μαζί τους δικό τους φορητό Η/Υ στον οποίον θα έχει εγκατασταθεί το MATLAB και τα απαραίτητα toolboxes. Σε όσους δεν διαθέτουν φορητό Η/Υ θα τους παρασχεθεί από την εταιρία μας (περιορισμένος αριθμός διαθέσιμος). Η εγκατάσταση του MATLAB θα παραμείνει ενεργή για διάστημα δύο εβδομάδων μετά το πέρας της εκπαίδευσης. Συγκεκριμένα θα ασχοληθούμε με:
Προαπαιτούμενα Οι συμμετέχοντες πρέπει να είναι εξοικειωμένοι με βασικές έννοιες και όρους στατιστικής ανάλυσης και να γνωρίζουν τις βασικές λειτουργίες του MATLAB. |
|||||||
Ανάλυση παραγόντων. Παράγοντες και αρχικές μεταβλητές Διάγραμμα pareto σε Ανάλυση κυρίων συνιστωσών |
|||||||
|
|||||||
ΠΡΟΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ |
|||||||
10:00 – 10:45 |
Importing and Organizing Data |
||||||
Bring data into MATLAB and organize it for analysis, including normalizing data and removing observations with missing values.
|
|||||||
10:45 – 11:30 |
Finding Natural Patterns in Data |
||||||
Use unsupervised learning techniques to group observations based on a set of explanatory variables and discover natural patterns in a data set.
|
|||||||
11:30 – 11:50 |
Διάλειμμα |
||||||
11:50 – 13:20 |
Building Classification Models |
||||||
|
Use supervised learning techniques to perform predictive modeling for classification problems. Evaluate the accuracy of a predictive model.
|
||||||
13:20 – 13:40 |
Διάλειμμα |
||||||
13:40 – 15:10 |
Building Regression Models |
||||||
|
Use supervised learning techniques to perform predictive modeling for continuous response variables. - Parametric regression methods
|
||||||
15:10 – 15:30 |
Διάλειμμα |
||||||
15:30 – 17:00 |
Creating Neural Networks |
||||||
Create and train neural networks for clustering and predictive modeling. Adjust network architecture to improve performance.
|
|||||||
17:00 – ... |
Ερωτήσεις – Συζήτηση |
||||||
|
|||||||
Δενδρόγραμμα ιεραρχικής συσταδοποίησης (Δεδομένα Δείκτες Αποτελέσματα συσταδοποίησης με τον αλγόριθμο k-means
εγκληματικότητας. Πηγή :
http://en.wikipedia.org/wiki/United_States_cities_by_crime_rate)
|
|||||||
Καμπύλες ROC για τον έλεγχο αλγορίθμου ταξινόμησης Ταξινόμηση με Δένδρα Αποφάσεων |
|||||||
|
|||||||
|
|||||||
Για να εξασφαλίσετε τη συμμετοχή σας, παρακαλούμε συμπληρώστε τα στοιχεία σας στην φόρμα εγγραφής ή επικοινωνήστε μαζί μας τηλεφωνικά στο 210 60.31.121.
|
|||||||
ΚΟΣΤΟΣ ΣΥΜΜΕΤΟΧΗΣ:
|