MATLAB および Simulink トレーニング

コースの詳細

この 2 日コースでは、Statistics and Machine Learning Toolbox™ と Deep Learning Toolbox™ の機能を使用して、 MATLAB® による機械学習の実施方法を中心に学びます。 教師なし学習を使用したデータセットからの特徴抽出(クラスタリング)と、教師あり学習を使用した予測モデル(分類・回帰モデル)の構築について説明します。 例題と演習では、可視化と結果の評価方法を解説します。

  • データのインポートと前処理
  • データのクラスタリング
  • 分類および回帰モデルの構築
  • モデルの評価
  • データセットの簡略化
  • モデルの改善

1 日目


データのインポートと整理       

目的: データを MATLAB にインポートし解析する方法について学びます。解析にはデータの正規化、欠損データ値を もつ観測値の削除などが含まれます。

  • データのテーブル
  • カテゴリカル データ
  • データの前処理

データの妥当なパターンの検出

目的: 教師なし学習のテクニックであるクラスタリングを使用して、類似性の尺度に基づきデータセットをグループに分割し、データセット内の妥当な パターンを検出する方法について学びます。なお、変数の次元を削減する方法として主成分分析を復習します。

  • 教師なし学習
  • 次元の削減
  • クラスターの作成
  • クラスターの評価と解釈

分類モデルの構築

目的: 教師あり学習のテクニックである分類を使用して、分類問題に対して予測モデルを構築する方法を学びます。また、モデルの学習率と予測精度 も評価します。

  • 教師あり学習と分類
  • 学習と検証
  • 分類手法

2 日目


予測モデルの改善

目的: データセットの次元を削減し、機械学習の分類モデルを単純化および改善する方法について学びます。

  • 交差検定
  • ハイパーパラメーターの最適化
  • 特徴変換
  • 特徴選択
  • アンサンブル学習

回帰モデルの作成

目的: 教師あり学習のテクニックである回帰を使用して、連続応答変数に対して予測モデルを構築する方法を学びます。 また、モデルの学習率と予測精度も評価します。

  • パラメトリック モデル
  • ノンパラメトリック モデル
  • 正則化と特徴選択

ニューラル ネットワークの作成    

目的: クラスタリングと予測モデル構築のためにニューラルネットワークを学習させる方法について学びます。 また、ネットワークをチューニングし、性能を改善する方法も学びます。

  • 自己組織化マップによるクラスタリング
  • フィードフォワード ネットワークによる分類
  • フィードフォワード ネットワークによる回帰

レベル: 中級

必要条件:

  • MATLAB 基礎 コースを受講された方、または同等の知識(特にベクトル・行列・テーブル操作の知識)をお持ちの方。 MATLAB による統計解析 コースを受講された方または、統計解析や機械学習技術の基礎知識をお持ちの方

期間: 2 日間

言語: English, Español, Français, 日本語, 한국어, 中文