Schulungen zu MATLAB und Simulink

Deep Learning mit MATLAB

Programm ansehen und anmelden

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
NVIDIA Deep Learning Institute

Deep Learning mit MATLAB wird von NVIDIA's Deep Learning Institute unterstützt. Das Deep Learning-Institut bietet spezialisierte Schulungen an, die ebenfalls mit GPUs arbeiten. Informieren Sie sich über die branchenspezifischen Inhalte und CUDA-Programmierkurse für Fortgeschrittene.

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: Einblick in die Funktionsweise verschiedener Trainingsalgorithmen. 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

Dauer: 2 Tage

Sprachen: English, Français, 日本語, 한국어

Programm ansehen und anmelden