Schulungen zu MATLAB und Simulink

Deep Learning mit MATLAB

Programm ansehen und anmelden

Kursbeschreibung

Dieser zweitägige Kurs liefert eine umfangreiche Einführung in die Verwendung von Deep-Learning-Algorithmen mit MATLAB®. Sie werden mit verschiedenen Arten neuronaler Netze arbeiten, diese erzeugen, trainieren und evaluieren. Der Kurs nutzt NVIDIA-GPUs, um das Trainieren der Netze zu beschleunigen. Themen sind unter anderem:
 
  • 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. Anwenden dieser Technik auf verschiedene Arten von Bildern.

  • Abgreifen von Netzwerkaktivierungen
  • Extrahieren von Merkmalen

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 erhöhen.

  • Trainingsprozess
  • Visualisierung des Trainingfortschritts
  • Validierung des Ergebnisses
  • Trainingsoptionen
  • Directed Acyclic Graph (DAG) Netzwerke
  • Augmented Datastores

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 und Generierung 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
  • Kategoriale Sequenzen (z.B. Text)
  • Sequence-to-Sequence Learning
  • Vorhersage von Sequenzdaten

Stufe: Aufbaukurse

Voraussetzungen:

Dauer: 2 Tage

Sprachen: English, 日本語, 한국어, 中文

Programm ansehen und anmelden