ΣΕΜΙΝΑΡΙΟ MATLAB

  • strict warning: Only variables should be assigned by reference in /var/www/vhosts/mentorhellas.com/httpdocs/sites/all/modules/links/links_related.module on line 197.
  • strict warning: Only variables should be assigned by reference in /var/www/vhosts/mentorhellas.com/httpdocs/sites/all/modules/links/links_related.module on line 433.
  • strict warning: Only variables should be assigned by reference in /var/www/vhosts/mentorhellas.com/httpdocs/sites/all/modules/links/links.inc on line 1450.
  • strict warning: Only variables should be assigned by reference in /var/www/vhosts/mentorhellas.com/httpdocs/sites/all/modules/links/links.inc on line 1450.

HANDS-ON TRAINING (Machine Learning):

Μηχανική Μάθηση με το MATLAB

Τρίτη 31/03/2020, 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:

  • 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.

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.

  • 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


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:

  • 150 € - κατάθεση μέχρι τις 26/03/2020
  • Το κόστος της εκπαίδευσης μπορεί να επιδοτηθεί μέσω του ΟΑΕΔ-ΛΑΕΚ*

Για φοιτητές (με επίδειξη φοιτητικού πάσου):

  • 100 € - κατάθεση μέχρι τις 26/03/2020
  • Για φοιτητές που θα παρακολουθήσουν και το σεμινάριο "Deep Learning με το MATLAB" στις 02/04/2020, το συνολικό κόστος είναι 180€ για κατάθεση μέχρι τις 26/03/2020.

Tο κόστος εκπαίδευσης ΔΕΝ επιβαρύνεται με Φ.Π.Α.

( * Η ηλεκτρονική υποβολή πρότασης υλοποίησης προγραµµάτων µπορεί να γίνεται τουλάχιστον πέντε (5) εργάσιµες ηµέρες πριν την ηµεροµηνία έναρξης του προγράµµατος. Πληροφορίες στη διεύθυνση http://laek.oaed.gr )