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