Deep Learning con MATLAB

Dettagli dei corsi

Il presente corso della durata di due giorni fornisce un’introduzione esaustiva al Deep Learning pratico utilizzando MATLAB^®. I partecipanti apprenderanno come creare, addestrare e valutare i diversi tipi di reti neurali profonde. La formazione guidata con insegnante utilizza le GPU NVIDIA per accelerare la formazione in rete. Elenco degli argomenti:

Importazione di immagini e di dati di sequenza
Utilizzo delle reti neurali convoluzionali per la classificazione, regressione di immagini e per altre applicazioni di immagine
Utilizzo delle reti con memoria a breve e lungo termine per la classificazione e previsione delle sequenze
Variazione delle architetture di rete comuni per la risoluzione di problemi personalizzati
Miglioramento della prestazione di una rete modificando le opzioni di addestramento

Il deep learning con MATLAB è approvato dalDeep Learning Institute di NVIDIA. Il Deep Learning Institute offre corsi specializzati di formazione basati anche sull’utilizzo di GPU. Scopri i contenuti specifici del settore e i corsi avanzati di programmazione CUDA.

Giorno 1/2

Transfer Learning per la classificazione di immagini

Obiettivo: Eseguire la classificazione delle immagini utilizzando reti preaddestrate. Utilizzare il transfer learning per addestrare reti di classificazione personalizzate.

Reti preaddestrate
Datastore di immagini
Transfer learning
Valutazione della rete

Interpretazione del comportamento della rete

Obiettivo: Ottenere approfondimenti sul funzionamento di una rete visualizzando i dati delle immagini che passano attraverso la rete. Applicare questa tecnica a diversi tipi di immagini.

Attivazioni
Estrazione di feature per il Machine Learning

Creazione di reti

Obiettivo: Costruire reti convoluzionali da zero. Informazioni su come le informazioni passano tra i layer della rete e come funzionano i diversi tipi di layer.

Formazione da zero
Reti neurali
Layer convoluzionali e filtri

Giorno 2/2

Addestramento di una rete e miglioramento della prestazione

Obiettivo: Informazioni sul funzionamento degli algoritmi di addestramento. Impostare le opzioni di addestramento onde monitorare e controllare l’addestramento stesso. Scegliere e implementare le modifiche alle opzioni dell’algoritmo di addestramento, all’architettura di rete o ai dati di addestramento per migliorare le prestazioni della rete.

Addestramento della rete
Grafici di avanzamento dell’addestramento
Validazione
Opzioni di addestramento
Grafici aciclici indirizzati
Datastore aumentato

Esecuzione della regressione dell’immagine

Obiettivo: Creare reti convoluzionali capaci di prevedere risposte numeriche continue.

Transfer learning per la regressione
Metriche di valutazione per le reti di regressione

Utilizzo del Deep Learning per il Computer Vision

Obiettivo: Addestrare le reti per individuare ed etichettare oggetti specifici all'interno delle immagini.

Workflow per l’applicazione dell’immagine
Segmentazione semantica

Classificazione e previsione di dati di sequenza

Obiettivo: Costruire e addestrare reti per eseguire la classificazione su sequenze ordinate di dati, come serie temporali o dati di sensori. Utilizzare reti ricorrenti per creare sequenze di previsioni.

Reti con memoria a breve e lungo termine
Classificazione della sequenza
Pre-elaborazione della sequenza
Previsione della sequenza

Livello: Intermedio

Prerequisiti:

Fondamenti di MATLAB

Durata: 2 giorni

Lingue: English, 中文, 日本語, 한국어

Guarda il programma e iscriviti

Altre modalità di apprendimento

Gli argomenti trattati in questo corso sono disponibili anche come corsi di formazione online autogestiti.

Per saperne di più

Corsi correlati

Pre-elaborazione di segnali ed estrazione di feature per l’analisi dei dati con MATLAB

Prepara i dati delle serie temporali per l'analisi di Machine Learning. Gli argomenti comprendono l'importazione di segnali, la rimozione degli outlier e l'estrazione di feature nel dominio del tempo e della frequenza.

Per saperne di più

Guida autonoma con MATLAB

Etichetta i dati di verità di base (ground truth), rileva corsie e oggetti, genera scenari di guida e sensori di modellazione e visualizza i dati dei sensori.

Per saperne di più

Machine Learning con MATLAB

Crea modelli di regressione, classificazione e clustering e migliorane le prestazioni.

Per saperne di più