Formations MATLAB et Simulink

Machine Learning avec MATLAB

Afficher le calendrier et s'inscrire

Détails de la formation

Cette formation de deux jours se concentre sur l'analyse de données et les techniques d'apprentissage automatique dans MATLAB® en utilisant les fonctionnalités de Statistics and Machine Learning Toolbox™ et de Deep Learning Toolbox™. La formation présente l'utilisation de l'apprentissage non supervisé pour découvrir des caractéristiques dans des jeux de données volumineux, ainsi que l'apprentissage supervisé pour la construction de modèles prédictifs. Les exemples et exercices mettent en évidence les techniques pour la visualisation et l'évaluation des résultats.

Les thèmes comprennent :

  • Organisation et prétraitement des données
  • Clustering de données
  • Création de modèles de classification et de régression
  • Interprétation et évaluation des modèles
  • Simplification de jeux de données
  • Utilisation d'ensembles pour améliorer la performance des modèles prédictifs

Jour 1


Importation et organisation de données

Objectif: Importer les données dans MATLAB et les organiser pour l'analyse, en particulier en les normalisant et en supprimant les observations contenant des valeurs manquantes.

  • Types de données
  • Tableaux
  • Préparation des données

Recherche de motifs (patterns) dans les données

Objectif: Utiliser les techniques d'apprentissage non supervisé pour grouper les observations suivant des variables explicatives. Découvrir des motifs dans les données.

  • Apprentissage non supervisé
  • Méthodes de partitionnement
  • Evaluation du partitionnement et interprétation

Construction d'un modèle de classification

Objectif: Utiliser les techniques d'apprentissage supervisé pour effectuer de la modélisation prédictive pour les problèmes de classification. Evaluer la précision d'un modèle prédictif.

  • Apprentissage supervisé
  • Apprentissage et validation
  • Méthodes de classification

Jour 2


Amélioration des modèles de prédiction

Objectif: Réduire la dimensionalité d'un jeu de données. Améliorer et simplifier les modèles d'apprentissage automatique.

  • Validation croisée
  • Optimisation des hyperparamètres
  • Transformation de caractéristiques
  • Sélection de caractéristiques
  • Apprentissage d'ensemble

Construction de modèles de régression

Objectif: Utiliser des techniques d'apprentissage supervisé pour la construction de modèles prédictifs pour des variables de sortie continues.

  • Méthodes de régression paramétrique
  • Méthodes de régression non-paramétrique
  • Validation de modèles de régression

Création de réseaux de neurones

Objectif: Créer et entrainer un réseau de neurones pour le clustering et la prédiction. Ajuster l'architecture du réseau pour améliorer les performances.

  • Clustering avec des cartes autoadaptatives
  • Classification avec des réseaux sans rétroactions
  • Régression avec des réseaux sans rétroactions

Niveau: Intermédiaire

Pré-requis:

Durée: 2 jours

Langues: English, Español, 日本語, 한국어

Afficher le calendrier et s'inscrire