(i.) Načtěte přidělená data ze zdrojového formátu, v němž jste je obdrželi (ASCII soubor, tabulka databáze Access, tabulka databáze MySQL, tabulka Excel) a uložte je pro další zpracování do binárního souboru systému Matlab (´´.mat´´).
(ii.) Pomocí grafického uživatelského rozhraní „Neural Network Fitting Tool“ trénujte na datech umělé neuronové sítě s různými počty skrytých neuronů. Přitom přiřaďte klasifikační či regresní atributy výstupním neuronům a všechny zbývající atributy (vstupní atributy) vstupním neuronům sítě. Snažte se najít síť s co nejlepšími generalizačními schopnostmi (tj. s co nejmenší chybou na testovacích datech). Tuto síť uchovejte pro další použití.
(iii.) Pro průměrné hodnoty (průměrné vzhledem k celému souboru dat) atributů přiřazených vstupním neuronům sestrojte 3D-graf plochy popisující závislost hodnoty výstupního neuronu (či některého z výstupních neuronů, pokud jich síť má více) na hodnotách některé dvojice vstupních neuronů.
(iv.) Pro tytéž hodnoty atributů sestrojte řadu řezů, na nichž v úhrnu zobrazíte pomocí barevné škály závislost hodnoty výstupního neuronu (či některého z výstupních neuronů, pokud jich síť má více) na hodnotách některé trojice vstupních neuronů.
(v.) Pomocí funkce „classregtree“ sestrojte nad daty rozhodovací strom maximální možné velikosti. Pro každý klasifikační atribut sestrojte jeden klasifikační strom, pro každý regresní atribut jeden regresní strom.
(vi.) Zjistěte optimální úroveň prořezání sestrojeného rozhodovacího stromu při výpočtu chyby klasifikace či regrese pomocí 10-násobné křížové validace.
(vii.) Graficky zobrazte sestrojený rozhodovací strom pro optimální úroveň prořezání. Poté interaktivně měňte v grafu úroveň prořezání a sledujte změnu zobrazeného stromu.
(viii.) Zaokrouhlete v grafu hodnoty spojitých atributů na 2 platné cifry.