MATLAB untuk Pembelajaran Mesin
Ekstrak pola dan pengetahuan dari data Anda dengan cara yang mudah menggunakan MATLAB
Fitur Utama
-
Dapatkan langkah pertama Anda dalam pembelajaran mesin dengan bantuan panduan yang mudah diikuti ini
-
Pelajari regresi, pengelompokan, klasifikasi, analitik prediktif, jaringan saraf tiruan, dan lainnya dengan MATLAB
-
Pahami cara kerja data Anda dan identifikasi lapisan tersembunyi dalam data dengan kekuatan pembelajaran mesin.
Apa yang Akan Anda Pelajari
-
Pelajari konsep pengantar pembelajaran mesin.
-
Temukan berbagai cara untuk mengubah data menggunakan SAS XPORT, alat impor dan ekspor,
-
Jelajahi berbagai jenis teknik regresi seperti regresi linier sederhana & berganda, estimasi kuadrat terkecil biasa, korelasi, dan cara menerapkannya ke data Anda.
-
Temukan dasar-dasar metode klasifikasi dan bagaimana mengimplementasikan algoritma Naive Bayes dan Decision Trees di lingkungan Matlab.
-
Temukan cara menggunakan metode pengelompokan seperti pengelompokan hierarki hingga pengelompokan data menggunakan ukuran kesamaan.
-
Ketahui cara melakukan penyesuaian data, pengenalan pola, dan analisis pengelompokan dengan bantuan MATLAB Neural Network Toolbox.
-
Pelajari pemilihan dan ekstraksi fitur untuk pengurangan dimensi yang mengarah pada peningkatan kinerja.
Tentang
MATLAB adalah bahasa pilihan bagi banyak peneliti dan pakar matematika untuk pembelajaran mesin. Kursus ini akan membantu Anda membangun dasar dalam pembelajaran mesin menggunakan MATLAB untuk pemula.
Anda akan mulai dengan menyiapkan sistem Anda dengan lingkungan MATLAB untuk pembelajaran mesin dan Anda akan melihat cara mudah berinteraksi dengan ruang kerja Matlab. Kami kemudian akan beralih ke pembersihan data, menambang, dan menganalisis berbagai jenis data dalam pembelajaran mesin dan Anda akan melihat cara menampilkan nilai data pada sebuah plot. Selanjutnya, Anda akan mengetahui tentang berbagai jenis teknik regresi dan bagaimana menerapkannya ke data Anda menggunakan fungsi MATLAB.
Anda akan memahami konsep dasar jaringan saraf dan melakukan penyesuaian data, pengenalan pola, dan analisis pengelompokan. Terakhir, Anda akan mempelajari pemilihan fitur dan teknik ekstraksi untuk pengurangan dimensi untuk peningkatan kinerja.
