Formazione MATLAB e Simulink

Deep Learning con MATLAB

Guarda il programma e iscriviti

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
NVIDIA Deep Learning Institute

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:

Durata: 2 giorni

Lingue: English, 中文, 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 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