Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Mediul de Învățare Profundă în MATLAB și Validarea GPU
- Prezentarea generală a arhitecturii și fluxului de lucru al Deep Learning Toolbox
- Verificarea disponibilității GPU, compatibilitatea CUDA/cuDNN și configurația driver-ului
- Configurarea lucrătorilor paraleli, gestionarea memoriei și învățarea elementelor de bază ale
gpuArray - Laborator 1: Validarea mediului și rularea primului script de învățare profundă accelerat de GPU
Constructe de Bază în Învățarea Profundă în MATLAB
- Straturi de rețea neuronală: conv, pooling, batch norm, dropout, residual și dense layers
- Fundamentele
dlarray,dlnetworkși buclele personalizate de antrenament - Funcții de pierdere, optimizatori (Adam, SGD, RMSProp) și strategii de planificare a ratei de învățare
- Vizualizarea arhitecturilor, distribuțiilor de greutăți și fluxului de gradient pentru depanare
- Laborator 2: Construirea unui
dlnetworkpersonalizat de la zero și depanarea interacțiunilor dintre straturi
Proiectarea CNN-urilor pentru Recunoașterea Imaginilor
- Modele de proiectare CNN: extragerea de caracteristici, ierarhii spațiale și câmpuri receptoare
- Învățarea prin transfer: utilizarea rețelelor pre-antrenate precum ResNet, EfficientNet și MobileNet
- Pipeline-uri de augmentare a datelor folosind
imageDatastore,augmentedImageDatastoreși transformări personalizate - Laborator 3: Antrenarea unui CNN de la zero pe un set de date personalizat de clasificare a imaginilor cu augmentare
Etichetarea Automată a Datelor și Pipeline-uri Reproducibile
- Utilizarea instrumentelor de învățare activă și etichetare semi-supervizată din MATLAB
- Importul și exportul de adnotări (COCO, Pascal VOC, YOLO, CSV)
- Construirea de scripturi de pregătire a datelor parametrizate și controlate de versiuni
- Laborator 4: Automatizarea fluxului de etichetare și integrarea acestuia într-un script de antrenament
Antrenament Scalabil: Multi-GPU, Cloud și Clustere
- Strategii de antrenament multi-GPU: ajustarea dimensiunii lotului, acumularea gradientului și paralelismul datelor
- Antrenament distribuit cu MATLAB Parallel Server și clustere on-premises
- Fluxuri de lucru de antrenament în cloud (AWS, Azure, GCP) prin profile de calcul cloud MATLAB
- Tehnici de monitorizare a antrenamentului, checkpointing și optimizare a hiperparametrilor
- Laborator 5: Scalarea unui model într-un setup multi-GPU/cloud și profilarea debitului de antrenament
Interoperabilitate Cross-Framework și Schimb de Modele
- Importul modelelor pre-antrenate Caffe și TensorFlow/Keras în MATLAB
- Validarea parității de precizie și adaptarea arhitecturilor pentru fluxurile de lucru MATLAB
- Exportul modelelor către ONNX, TensorFlow sau Core ML pentru implementare cross-platform
- Laborator 6: Importul unui model TF-Keras, fine-tuning în MATLAB și exportul către ONNX
Proiect Capstone și Pregătire pentru Producție
- Pipeline end-to-end: ingestia datelor, antrenament, validare, optimizare și implementare
- Compresia modelelor: pruning, cuantizare și generarea de cod cu GPU Coder
- Bune practici de reproductibilitate: logare, seeding și partajarea aplicațiilor de învățare profundă MATLAB
- Capstone: Construiți, antrenați, optimizați și exportați un sistem complet de recunoaștere a imaginilor adaptat domeniului dumneavoastră specific
Pentru a solicita o structură de curs personalizată pentru acest training, vă rugăm să ne contactați.
Cerințe
- Competență în MATLAB (sintaxă, fluxuri de lucru de programare, familiaritate cu toolbox-uri)
- Nu este necesară experiență anterioară în știința datelor sau învățarea profundă
- Acces la o stație de lucru locală cu GPU (compatibilă CUDA) sau un cluster cloud aprobat pentru laboratoare live
Publicul țintă
- Dezvoltatori și Ingineri Software
- Ingineri de Cercetare și Experți în Domeniu
- Echipe care trec de la procesarea tradițională a semnalelor/imaginilor la fluxuri de lucru bazate pe AI
14 Ore
Mărturii (2)
Formarea a fost organizată și bine planificată, iar din ea am ieșit cu cunoștințe sistematizate și o perspectivă bună asupra temelor pe care le-am abordat.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curs - Deep Learning with TensorFlow 2
Tradus de catre o masina
Mi-a plăcut foarte mult finalul unde am avut ocazia să jucăm cu CHAT GPT. Sala nu era configuraționată cel mai bine pentru aceasta - ar fi fost mai util să avem câteva mese mici în loc de o masă mare, astfel încât să putem forma grupuri mai mici și să ne brainstorm-urim idei.
Nola - Laramie County Community College
Curs - Artificial Intelligence (AI) Overview
Tradus de catre o masina
