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:

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:

• Την εισαγωγή και οργάνωση δεδομένων από αρχεία
• Την χρήση έτοιμων αλληλεπιδραστικών εργαλείων (GUI) και κώδικα για την υλοποίηση εξειδικευμένων στατιστικών υπολογισμών όπως:
  • Εύρεση φυσικών προτύπων με μη-επιβλεπόμενη μάθηση
  • Αλγόριθμοι ταξινόμησης και επιβλεπόμενη μάθηση
  • Αλγόριθμοι συσταδοποίησης
  • Γενικευμένα γραμμικά μοντέλα παλινδρόμησης
  • Νευρωνικά δίκτυα
• Την αυτοματοποίηση και επαναχρησιμοποίηση των αναλύσεων με την χρήση script αρχείων και function.
• Την δημιουργία τεχνικών αναφορών και την εξαγωγή των αποτελεσμάτων σε άλλες εφαρμογές

Προαπαιτούμενα

Οι συμμετέχοντες πρέπει να είναι εξοικειωμένοι με βασικές έννοιες και όρους στατιστικής ανάλυσης και να γνωρίζουν τις βασικές λειτουργίες του MATLAB.

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.

• Data types
• Tables
• Categorical data
• Data preparation

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.

• Unsupervised learning
• Clustering methods
• Cluster evaluation and interpretation

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.

• Supervised learning
• Training and validation
• Classification methods

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

• Nonparametric regression methods
• Evaluation of regression models

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.

• Clustering with Self-Organizing Maps
• Classification with feed-forward networks
• Regression with feed-forward networks

17:00 – ...

Ερωτήσεις – Συζήτηση

    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: