Deep Learning mit MATLAB

Kursbeschreibung

Dieser zweitägige Kurs bietet eine umfangreiche Einführung in die Verwendung von Deep Learning Algorithmen mit MATLAB. Die Teilnehmer lernen verschiedene Arten von neuronalen Netzen zu erstellen, zu trainieren und zu evaluieren. Die von Dozenten geleitete Schulung verwendet NVIDIA GPUs, um das Training der neuronalen Netze zu beschleunigen.

Themenübersicht:

Einlesen von Bild- und Sequenzdaten
Verwendung von Convolutional Neural Networks (CNNs) zur Bildklassifikation, Bildregression und in weiteren Bildanwendungen
Verwendung von Long Short-Term Memory (LSTM) Networks zur Klassifikation und Vorhersage von Sequenzdaten
Anpassung gegebener Netzwerkarchitekturen an neue Problemstellungen
Anpassung von Trainingsparametern um Netzwerkperformance zu erhöhen

Deep Learning with MATLAB is endorsed byNVIDIA'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.

Tag 1 von 2

Klassifikation von Bildern mithilfe vortrainierter neuronaler Netze

Ziel:Klassifizierung von Bildern mit Convolutional Neural Networks (CNNs). Umtrainieren eines vortrainierten CNNs (Transfer Learning).

Vortrainierte neuronale Netze
Image Datastores
Transfer Learning
Netzwerkevaluation

Funktionsweise neuronaler Netze

Ziel:Visualisierung der Zwischenergebnisse eines CNNs.

Abgreifen von Netzwerkaktivierungen
Extrahieren von Merkmalen

Erzeugen neuronaler Netzwerke

Ziel:Einblick in die Funktionsweise neuronaler Netze und der verschiedenen Netzwerkschichten.

Training eines untrainierten neuronalen Netzes
Neuronale Netze
Faltungen und Filter

Training neuronaler Netze

Ziel:在死Funktionsweise Einblick verschiedener火车ingsalgorithmen. Trainingsoptionen zur Beobachtung und Kontrolle des Trainingsprozesses.

Trainingsprozess
Visualisierung des Trainingfortschritts
Validierung des Ergebnisses

Tag 2 von 2

Verbesserung der Netzwerk Performance

Ziel:Anpassung des Trainingsalgorithmus, der Netzwerkarchitektur, oder der Trainingsdaten um die Netzwerkperformance zu erhöhen.

Trainingsparameter
Augmented Datastores
Directed Acyclic Graph (DAG) Netzwerke

Regression

Ziel:Verwendung von CNNs zur Vorhersage kontinuierlicher numerischer Variablen.

Transfer Learning für Regressionsprobleme
Evaluierung von Regressionsnetzwerken

Verwendung von Deep Learning für Computer Vision

Ziel:Verwendung neuronaler Netze zur Lokalisierung und Beschriftung von Objekten in Bildern.

Arbeitsablauf für Bildanwendungen
Objekterkennung

Klassifikation von Sequenzdaten

Ziel:Erzeugen und trainieren rückgekoppelter neuronaler Netze zur Klassifikation von Zeit- und Meßreihen, sowie kategorialer Sequenzen.

Long Short-Term Memory (LSTM) Netzwerke
Klassifikation von Sequenzdaten
Vorverarbeitung von Sequenzdaten
Kategoriale Sequenzen (z.B. Text)

Erzeugen von Sequenzen

Ziel:Verwendung rückgekoppelter neuronaler Netze zur Vorhersage von Sequenzen

Sequence-to-Sequence Learning
Vorhersage von Sequenzdaten

Stufe:Aufbaukurse

Voraussetzungen:

Dauer:2 Tage

Sprachen:English, Français, 日本語, 한국어

Geplante Kurse anzeigen