Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Ambiente di Deep Learning in MATLAB e validazione della GPU
- Panoramica sull'architettura e sui flussi di lavoro offerti dal Deep Learning Toolbox
- Verifica della disponibilità della GPU, compatibilità con CUDA/cuDNN e configurazione dei driver
- Configurazione dei processori paralleli, gestione della memoria e nozioni di base sull'uso di
gpuArray - Laboratorio 1: Validazione dell'ambiente e esecuzione del primo script di deep learning accelerato dalla GPU
Concetti fondamentali del Deep Learning in MATLAB
- Tipologie di strati nelle reti neurali: convoluzionali, di pooling, di normalizzazione batch, dropout, residui e densi
- Nozioni essenziali su
dlarray,dlnetworke metodi per la creazione personalizzata di cicli di training - Funzioni di perdita, ottimizzatori (Adam, SGD, RMSProp) e strategie di regolazione del tasso di apprendimento
- Visualizzazione delle architetture, distribuzione dei pesi e flusso dei gradienti per scopi di debug
- Laboratorio 2: Creazione da zero di un
dlnetworkpersonalizzato e analisi interattiva delle relazioni tra i vari strati
Progettazione di reti CNN per il riconoscimento di immagini
- Pattern ricorrenti nella progettazione di reti convoluzionali: estrazione delle caratteristiche, gerarchie spaziali e dimensione dei campi riceventi
- Approvfondimento del transfer learning: sfruttamento di reti pre-addestrate come ResNet, EfficientNet e MobileNet
- Creazione di pipeline di aumento dati tramite
imageDatastore,augmentedImageDatastoree trasformazioni personalizzate - Laboratorio 3: Addestramento da zero di una CNN su un set di dati personalizzato con tecniche di aumento delle immagini
Automatizzazione dell’etichettatura dei dati e creazione di flussi replicabili
- Utilizzo degli strumenti offerti da MATLAB per l'apprendimento attivo e l'etichettatura semi-supervisionata
- Importazione ed esportazione delle annotazioni secondo i formati COCO, Pascal VOC, YOLO e CSV
- Realizzazione di script parametrizzabili per la preparazione dei dati in modo controllato e ripetibile
- Laboratorio 4: Implementazione automatizzata del flusso di etichettatura e integrazione con gli script di training
Training su larga scala: più GPU, nuvola e cluster
- Strategie per il training multi-GPU: ottimizzazione della dimensione dei batch, accumulo dei gradienti e parallelismo dati
- Esecuzione di training distribuito mediante MATLAB Parallel Server e sistemi cluster on-premises
- Configurazione dei flussi di lavoro cloud (AWS, Azure, GCP) grazie ai profili computazionali offerti da MATLAB
- Tecniche per il monitoraggio del processo di training, salvataggio periodico dei modelli e ottimizzazione delle iperparametri
- Laboratorio 5: Scalare l'addestramento su una configurazione multi-GPU o cloud ed effettuare analisi prestazionali del throughput
Interoperabilità tra framework e scambio di modelli
- Importazione in MATLAB dei modelli pre-addestrati provenienti da Caffe e TensorFlow/Keras
- Confronto della precisione raggiunta dai modelli e adeguamento delle strutture alle esigenze tipiche di MATLAB
- Espulsione dei modelli nei formati ONNX, TensorFlow o Core ML per la loro implementazione su altre piattaforme
- Laboratorio 6: Importazione e affinamento di un modello TF-Keras in MATLAB seguito dall’esportazione finale nel formato ONNX
Progetto conclusivo e preparazione alla produzione
- Creazione completa di un flusso operativo: acquisizione dei dati, training, validazione, ottimizzazione e implementazione pratica
- Tecniche di compressione modelli: pruning, quantizzazione e generazione automatica di codice tramite GPU Coder
- Buone pratiche per garantire la riproducibilità: log delle attività, impostazioni predefinite dei seed e condivisione facilitata delle applicazioni di deep learning sviluppate in MATLAB
- Progetto finale: Ideazione, addestramento, ottimizzazione ed esportazione di un intero sistema di riconoscimento immagini adatto al proprio ambito professionale
Per richiedere un programma formativo personalizzato relativo a questo corso, vi preghiamo di contattarci.
Requisiti
- Buona dimestichezza con MATLAB (sintassi, flussi di lavoro programmatori, conoscenza degli strumenti)
- Non è richiesta alcuna precedente esperienza in data science o deep learning
- È necessaria la disponibilità di una workstation locale dotata di GPU compatibile con CUDA oppure l’accesso a un cluster cloud autorizzato per le attività pratiche del corso
Destinatari
- Sviluppatori ed ingegneri software
- Ingegneri della ricerca e esperti del settore
- Team che stanno passando da metodologie tradizionali di elaborazione di segnali/immagini a flussi di lavoro basati sull’intelligenza artificiale
14 ore
Recensioni (2)
Il corso di formazione era organizzato e ben pianificato, ed è stato un'occasione per acquisire conoscenze sistematiche e una panoramica approfondita dei temi trattati.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Corso - Deep Learning with TensorFlow 2
Traduzione automatica
Mi è davvero piaciuta la parte finale in cui abbiamo avuto il tempo di esplorare CHAT GPT. La sala non era impostata nel modo migliore per questo - sarebbe stato utile avere alcune piccole tavole invece di una grande, così da poter formare gruppi più piccoli e fare brainstorming.
Nola - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
