Pratiche di sviluppo di codice MATLAB per applicazioni matematiche
Università degli Studi di Torino

MATLAB® fornisce un ambiente di sviluppo di software scientifico ed ingegneristico, partendo dalla prototipazione in locale fino a scalare ad ambienti di supercalcolo in cloud. Questo evento, diviso in 2 sessioni, sarà di natura tecnica e s’incentrerà sulle pratiche di sviluppo, ottimizzazione e scalabilità del codice MATLAB, oltre a un approfondimento specifico su applicazioni di intelligenza artificiale ed interoperabilità con altri ambienti di sviluppo software.

Sessione 1 – Tecniche di Ottimizzazione e Parallelizzazione del Codice MATLAB

In questa sessione dimostreremo diversi modi per migliorare e ottimizzare il codice che possono aumentare la velocità di esecuzione di ordini di grandezza. Affronteremo anche le insidie comuni nella scrittura del codice MATLAB, esploreremo l'uso di MATLAB Profiler per trovare i colli di bottiglia e introdurremo l'uso di Parallel Computing Toolbox e MATLAB Parallel Server per risolvere problemi computazionali e ad alta intensità di dati su GPU, computer multicore e cluster.

Punti principali:

• Comprendere la vettorizzazione e le migliori pratiche di codifica in MATLAB
• Affrontare i colli di bottiglia nei programmi
• Incorporare linguaggi compilati, come C, nelle tue applicazioni MATLAB
• Utilizzo di hardware aggiuntivo, inclusi processori multicore e GPU, per migliorare le prestazioni
• Scalabilità fino a un cluster di computer, ambiente grid o cloud

Sessione 2 – MATLAB e Python per il data science, l'intelligenza artificiale e lo sviluppo di applicazioni

MATLAB e Simulink® con i framework di Deep Learning, TensorFlow e PyTorch, e di Machine Learning, Scikit Learn offrono funzionalità avanzate per la costruzione e l'addestramento dei modelli di Intelligenza Artificiale. Grazie all'interoperabilità, è possibile sfruttare appieno l'ecosistema MATLAB e integrarlo con le risorse sviluppate dalla comunità open-source. È possibile combinare flussi di lavoro che includono la preelaborazione dei dati, la messa a punto del modello, la compressione del modello, l'integrazione del modello e la generazione automatica di codice con modelli sviluppati al di fuori di MATLAB.

Analizzeremo insieme gli strumenti utilizzabili dagli sviluppatori Python e MATLAB per sfruttare al meglio l’infrastruttura esistente, per realizzare un workflow di intelligenza artificiale.

Qui vi lasciamo un primo link dove troverete del materiale utile per iniziare ad usare MATLAB e Python insieme.

Punti principali

• Comprendere la vettorizzazione e le migliori pratiche di codifica in MATLAB
• Affrontare i colli di bottiglia nei programmi
• 3 to 5 bullet points best
• comprendere la differenza tra le modalita’ di integrazione e i loro casi d'uso
• Come sfruttare l’integrazione per realizzare un progetto di Intelligenza Artificiale
  • Import ed export da TensorFlow, PyTorch, e ONNX in e da MATLAB
  • Co-esecuzione di codice MATLAB e modelli TensorFlow e PyTorch
  • Workflow per il Machine Learning