Deep Learning con MATLAB

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. Comprendere 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: Comprendere il 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
• Convalida
• 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
• Rilevamento oggetti

Classificazione e generazione dei 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
• Sequenze categoriali
• Classificazione sequenza-sequenza
• Previsione della sequenza