Formazione MATLAB e Simulink

Deep Learning con MATLAB

Guarda il programma e iscriviti

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
NVIDIA Deep Learning Institute

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

Durata: 2 giorni

Lingue: English, Français, 日本語, 한국어

Guarda il programma e iscriviti