Deep Learning pour les signaux dans MATLAB
Nous contacter pour planifier la formationDétails de la formation
Cette formation d’une journée offre une introduction complète et pratique au Deep Learning pour les données de signaux. Les participants apprendront à créer, à entraîner et à évaluer différents types de réseaux de neurones profonds pour le traitement du signal avec MATLAB®.
Les thèmes comprennent :
Les thèmes comprennent :
- Importation et labellisation des données de signaux
- Utilisation de réseaux de neurones à convolution pour la classification des signaux
- Utilisation de réseaux de neurones récurrents pour l’analyse des signaux
- Application du Deep Learning pour la détection d’anomalies
- Amélioration des performances d'un réseau en modifiant les options d'apprentissage
- Utilisation d’applications pour des workflows interactifs
Jour 1 sur 1
Importer, labelliser et gérer des signaux
Objectif: Importer et organiser les données de signaux dans MATLAB et les prétraiter pour les analyser, y compris gérer les valeurs manquantes, labelliser les données et extraire les régions d’intérêt.
- Stocker les données en utilisant les types de données MATLAB (par ex. timetable)
- Importer les données avec des datastores de signaux
- Utiliser l’application Signal Labeler
- Labelliser les régions d’intérêt en fonction de représentations temporelles et temps-fréquence
- Automatiser la labellisation des signaux avec des fonctions personnalisées
Transformées temps-fréquence et réseaux de neurones à convolution
Objectif: Utiliser des réseaux de neurones à convolution et l’apprentissage par transfert pour classer les observations en fonction de leur contenu temps-fréquence.
- Visualisation de réseaux de Deep Learning
- Création d’images temps-fréquence avec le spectrogramme
- Création de jeux d’apprentissage et de validation
- Augmenter les signaux
- Utiliser l'apprentissage par transfert
Réseaux personnalisés et extraction de caractéristiques
Objectif: Utiliser des réseaux et des autoencodeurs LSTM (Long Short-Term Memory) pour la classification et la détection d’anomalies.
- Générer automatiquement des caractéristiques par diffusion en ondelettes
- Classer des signaux avec des LSTM
- Détecter des anomalies avec des autoencodeurs
- Accélérer les fonctions de traitement du signal avec des GPU
- Utiliser l’application Experiment Manager
Niveau: Intermédiaire
Pré-requis:
Fondamentaux MATLAB et connaissance des concepts du traitement du signal et du Machine Learning. Aucune connaissance préalable du Deep Learning n’est nécessaire pour cette formation.
Durée: 1 jour
