Deep Learning avec MATLAB
Afficher le calendrier et s'inscrireDétails de la formation
- 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
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: Réaliser une classification d'images à l'aide de réseaux pré-entrainés. Utiliser l'apprentissage par transfert (transfer learning) pour entrainer des réseaux de classification personnalisés.
- 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
- 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
- Segmentation sémantique
Classification et prévision 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
- Prédiction de données séquentielles
Niveau: Intermédiaire
Pré-requis:
Durée: 2 jours
Langues: English, 中文, 日本語, 한국어
