Formations MATLAB et Simulink

Deep Learning avec MATLAB

Afficher le calendrier et s'inscrire

Détails de la formation

Cette formation de deux jours offre une introduction pratique au Deep Learning avec MATLAB. Les participants apprendront à créer, entraîner et évaluer différents types de réseaux de neurones profonds. Cette formation dispensée par un formateur utilise des GPU NVIDIA pour accélérer l'apprentissage du réseau. 

Les sujets abordés seront les suivants : 

  • Importation d'images et de données séquentielles
  • Utilisation de réseaux de neurones convolutifs pour la classification d'images, la régression et d'autres applications
  • Utilisation de réseaux long short-term memory (LSTM) pour la classification et la prédiction de données séquentielles
  • Modification d'architectures de réseaux classiques pour résoudre des problèmes personnalisés
  • Amélioration des performances d'un réseau en modifiant les options d'apprentissage
NVIDIA Deep Learning Institute

Deep Learning avec MATLAB est recommandé par le Deep Learning Institute de NVIDIA. Le Deep Learning Institute propose des formations spécialisées utilisant des GPU. Consultez les formations spécifiques à votre industrie et les cours de programmation CUDA avancée.

Jour 1


Classification d'images avec des réseaux convolutifs

Objectif: Avoir une vue d'ensemble du cours. Faire de la classification d'images à l'aide de réseaux pré-entrainés. Utiliser du transfer learning pour personnaliser des réseaux de classification.

  • Réseaux pré-entrainés
  • Image datastores
  • Transfer learning
  • Evaluation d'un réseau

Interprétation du comportement d'un réseau

Objectif: Gagner en compréhension sur comment un réseau fonctionne en visualisant les images lors de leur passage dans le réseau. Appliquer cette technique à différents types d'images.

  • Activations
  • Images à partir de signaux
  • Extraction de features pour le machine learning

Création de réseaux

Objectif: Construire des réseaux convolutifs à partir de zéro. Comprendre comment l'information est communiquée entre les différentes couches du réseau, et comment fonctionnent les différents types de couches.

  • Entraînement à partir de zéro
  • Réseaux de neurones
  • Couches de convolutions et filtres

Entraînement de réseaux

Objectif: Comprendre comment les algorithmes d'apprentissage fonctionnent. Régler les options d'entraînement pour surveiller et contrôler l'apprentissage.

  • Entraînement d'un réseau
  • Visualisation de l'avancée de l'apprentissage
  • Validation

Jour 2


Amélioration des performances

Objectif: Choisir et implémenter des modifications des options de l'algorithme d'apprentissage, de l'architecture du réseau, ou des données d'apprentissage pour améliorer les performances du réseau.

  • Options d'apprentissage
  • Augmented datastores
  • Graphes orientés acycliques (Directed Acyclic Graphs)

Tâches de régression

Objectif: Créer des réseaux convolutifs pouvant prédire réponses numériques continues.

  • Transfer learning pour la régression
  • Métriques d'évaluation des réseaux de régression

Deep Learning pour la Computer Vision

Objectif: Entraîner des réseaux pour localiser et étiqueter des objets spécifiques dans des images.

  • Workflow pour les applications de traitement d'image
  • Détection d'objets

Classification de données séquentielles avec des réseaux récurrents

Objectif: Construire et entraîner des réseaux pour réaliser des tâches de classification sur des données séquentielles, comme des séries temporelles ou des données de capteurs.

  • Réseaux Long short-term memory
  • Classification de données séquentielles
  • Pré-traitement de données séquentielles
  • Données séquentielles catégorielles

Génération de séquences de sorties

Objectif: Utiliser des réseaux récurrentspour créer des séquences de prédictions.

  • ClassificationSequence to sequence
  • Prédiction de données séquentielles

Niveau: Intermédiaire

Durée: 2 jours

Langues: English, Français, 日本語, 한국어

Afficher le calendrier et s'inscrire