Deep Learning mit MATLAB
Programm ansehen und anmeldenKursbeschreibung
- 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 die Netzwerkperformance zu verbessern
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
Interpretation von Netzwerkverhalten
Ziel: Einblick in neuronale Netze durch die Visualisierung von Bilddaten während der Verarbeitung durch das Netzwerk. Anwenden dieser Technik auf verschiedene Arten von Bildern.
- Abgreifen von Netzwerkaktivierungen
- Extrahieren von Merkmalen für Machine Learning Methoden
Erzeugen neuronaler Netzwerke
Ziel: Erstellen von CNNs. Einblick in die Funktionsweise neuronaler Netze und der verschiedenen Netzwerkschichten.
- Training eines untrainierten neuronalen Netzes
- Neuronale Netze
- Faltungen und Filter
Tag 2 von 2
Training von Netzwerken und Verbessern der Laufzeit
Ziel: Einblick in die Funktionsweise verschiedener Trainingsalgorithmen. Trainingsoptionen zur Beobachtung und Kontrolle des Trainingsprozesses. Anpassung des Trainingsalgorithmus, der Netzwerkarchitektur, oder der Trainingsdaten, um die Netzwerkperformance zu verbessern.
- Trainingsprozess
- Visualisierung des Trainingsfortschritts
- Validierung der Ergebnisse
- Trainingsoptionen
- Directed Acyclic Graph (DAG) Netzwerke
- Augmented Datastores
Regression mit Bilddaten
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
- Semantische Segmentierung
Klassifikation und Vorhersage von Sequenzdaten
Ziel: Erzeugen und Trainieren rückgekoppelter neuronaler Netze zur Klassifikation von Zeit- und Messreihen sowie kategorialer Sequenzen. Verwendung rückgekoppelter neuronaler Netze zur Vorhersage von Sequenzen.
- Long Short-Term Memory (LSTM) Netzwerke
- Klassifikation von Sequenzdaten
- Vorverarbeitung von Sequenzdaten
- Vorhersage von Sequenzdaten
Stufe: Aufbaukurse
Voraussetzungen:
Dauer: 2 Tage
Sprachen: English, 中文, 日本語, 한국어
