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

学習目標: データをテーブルとして 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(標準化)、欠損値を もつ観測データの削除などの前処理が含まれます。

  • データのインポート
  • データの前処理
  • 欠損データの扱い
  • データの可視化

データの妥当なパターンの検出

学習目標: 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、変数の次元を縮小する方法として主成分分析を復習します。

  • 教師なし学習
  • 次元の縮小
  • 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

学習目標: 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

学習目標: データセットの次元を縮小し、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

学習目標: 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

学習目標: 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: Deutsch, English, 日本語, 한국어, 中文

スケジュールを確認して登録する