Deep Learning con MATLAB

Dettagli dei corsi

Questo corso, della durata di due giorni, fornisce un'introduzione esaustiva e pratica al Deep Learning con MATLAB^®. I partecipanti impareranno come creare, addestrare e valutare diversi tipi di reti neurali profonde. I corsi di formazione con istruttore prevedono l’utilizzo di GPU NVIDIA per accelerare l’addestramento delle reti.

Ecco alcuni degli argomenti:

Importazione di dati relativi a immagini e sequenze
Utilizzo delle reti neurali convoluzionali per la classificazione, la regressione e altre applicazioni relative alle immagini
Utilizzo delle reti Long Short-Term Memory (LSTM) per previsione e classificazione di sequenze
Modifica delle architetture di rete comuni per risolvere problemi personalizzati
Miglioramento delle prestazioni di una rete attraverso la modifica delle opzioni di training

Deep Learning with MATLAB is endorsed by NVIDIA's Deep Learning Institute. The Deep Learning Institute offers specialized training also powered by GPUs. Check out their industry-specific content and advanced CUDA programming courses.

Giorno 1

Transfer Learning per la Classificazione delle Immagini

Obiettivo: Classificare le immagini con reti pre-addestrate. Utilizzare il transfer learning per addestrare le reti di classificazione personalizzate.

Reti pre-addestrate
Datastore per immagini
Transfer learning
Valutazione della rete

Interpretazione del Comportamento di una Rete

Obiettivo: Scoprire come funziona una rete visualizzando i dati dell'immagine mentre passa attraverso la rete. Applicare questa tecnica a diversi tipi di immagini.

Attivazioni
Estrazione di funzioni per il machine learning

Creazione di Reti

Obiettivo: Creare reti convoluzionali da zero. Comprendere come vengono passate le informazioni tra i layer delle reti e come funzionano i diversi tipi di layer.

Training da zero
Reti neurali
Layer di convoluzione e filtri

Training di una Rete

Obiettivo: Comprendere il funzionamento degli algoritmi di training Impostare le opzioni di training per monitorare e controllare il processo di apprendimento.

Training delle reti
Grafici dei progressi dell’apprendimento
Validazione

Giorno 2

Miglioramento delle Prestazioni di Rete

Obiettivo: Scegliere e implementare modifiche alle opzioni degli algoritmi di training, all'architettura di rete o ai dati di training per migliorare le prestazioni della rete.

Opzioni dell’algoritmo di apprendimento
Grafi aciclici diretti
Datastore aumentati

Esecuzione di Regressione su Immagini

Obiettivo: Creare reti convoluzionali in grado di prevedere risposte numeriche continue.

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

Utilizzo del Deep Learning per la Computer Vision

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

Flusso di lavoro per 'applicazioni su immagini
Rilevamento di oggetti

Classificazione dei Dati di una Sequenza

Objective: Build and train networks to perform classification on ordered sequences of data, such as time series or sensor data.

Reti Long Short-Term Memory
Classificazione di sequenze
Pre-elaborazione di sequenze
Sequenze categoriali

Generazione di Sequenze di Output

Obiettivo: Utilizzare le reti ricorrenti per creare sequenze di previsioni.

Classificazione sequence-to-sequence
Previsioni su sequenze

Livello: Intermedio

Prerequisiti:

Durata: 2 giorni

Lingue: English, Français, 日本語, 한국어

Guarda il programma e iscriviti

Corsi correlati

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

Prepara i dati di serie storiche per l'analisi con Machine Learning. Gli argomenti includono l'importazione di segnali, la rimozione di outlier e l'estrazione di feature nei domini di tempo e frequenza.

Per saperne di più

Guida autonoma con MATLAB

Scopri come etichettare i dati sul campo, rilevare corsie e oggetti, generare scenari di guida e sensori di modellazione e visualizzare i dati dei sensori.

Per saperne di più

Machine Learning con MATLAB

Impara a creare modelli di regressione, classificazione e clustering e migliora le loro prestazioni.

Per saperne di più