Deep Learning con MATLAB
Guarda il programma e iscrivitiDettagli 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