Deep Learning Onramp
Dieses kostenlose Tutorial bietet eine zweistündige interaktive Einführung in praktische Methoden des Deep Learning. Sie lernen, wie Sie Deep Learning-Techniken in MATLAB® für die Bilderkennung einsetzen können.
Prerequisites: MATLAB Onramp oder Grundkenntnisse in MATLAB
Zugriff auf MATLAB über Ihren Webbrowser
Vertiefende Video-Tutorials
Praktische Übungen mit automatisierten Bewertungen und Feedback
Lektionen auf Englisch und Japanisch verfügbar
Wählen Sie eine Lektion für den Einstieg
1.
Einleitung
Machen Sie sich mit den Konzepten des Deep Learning und mit dem Kurs vertraut.
- Deep Learning für die Bilderkennung
- Überblick über den Kurs
2.
Verwendung vortrainierter Netze
Führen Sie Bildklassifikationen mit einem Netz durch, das bereits erstellt und trainiert wurde.
- Kursbeispiel – Identifizieren von Objekten in Bildern
- Vorhersagen treffen
- CNN-Architektur (Convolutional Neural Network)
- Vorhersagen untersuchen
- Datastores für Bilder
3.
Verwalten von Datensammlungen
Importieren Sie Ordner mit Bildern und machen Sie diese für ein bestimmtes Netzwerk verwendbar.
- Bild-Datenspeicher
- Vorbereiten von Bildern zur Verwendung als Eingabe
- Verarbeiten von Bildern in einem Datenspeicher
- Erstellen Sie einen Datenspeicher mit Unterordnern
4.
Durchführung von Transfer Learning
Verwenden Sie neue Daten, um ein vortrainiertes Netzwerk zu verändern und Bilder neu zu klassifizieren.
- Was ist Transfer Learning?
- Erforderliche Komponenten für Transfer Learning
- Aufbereitung von Trainingsdaten
- Verändern von Netzwerkschichten
- Festlegen von Trainingsoptionen
- Trainieren des Netzwerks
- Bewertung der Leistung
- Transfer Learning: Zusammenfassung
Verwandte Kurse
Deep Learning mit MATLAB
Erfahren Sie mehr über die Theorie und Praxis des Erstellens von tiefen neuronalen Netzen mit realen Bild- und Sequenzdaten.
Machine Learning mit MATLAB
Untersuchen Sie Daten und erstellen Sie prädiktive Modelle.
MATLAB Grundlagen
Lernen der Kernfunktionalität von MATLAB für Datenanalyse, -modellierung und -programmierung.