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 complète et pratique au deep learning avec MATLAB®. Les participants apprendront à créer, entraîner et évaluer différents types de réseaux de neurones profonds. Lorsqu'elle est dispensée par un formateur, cette formation utilise des GPU NVIDIA pour accélérer l'entraînement des réseaux. Les sujets suivants sont abordés :
 
  • 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 prévision 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 sur 2


Classification d'images avec des réseaux convolutifs

Objectif: Avoir une vue d'ensemble de la formation. Faire de la classification d'images à l'aide de réseaux préentrainés. Utiliser l'apprentissage par transfert (transfer learning) pour entrainer des réseaux de classification personnalisés.

  • Réseaux préentrainés
  • 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
  • Extraction de caractéristiques (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

Jour 2 sur 2


Entraîner un réseau et améliorer ses performances

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

  • Entraînement d'un réseau
  • Visualisation de l'avancée de l'apprentissage
  • Validation
  • Options d'apprentissage
  • Graphes orientés acycliques (Directed Acyclic Graphs)
  • Augmented datastores

Tâches de régression

Objectif: Créer des réseaux convolutifs pouvant prédire des 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 et génération de données séquentielles

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. Utiliser des réseaux récurrents pour créer des séquences de prédictions.

  • Réseaux Long short-term memory
  • Classification de données séquentielles
  • Prétraitement de données séquentielles
  • Données séquentielles catégorielles
  • Classification Sequence to sequence
  • Prédiction de données séquentielles

Niveau: Intermédiaire

Durée: 2 jours

Langues: English, 日本語, 한국어, 中文

Afficher le calendrier et s'inscrire