Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Περιβάλλον Βαθιάς Μάθησης MATLAB & Επαλήθευση GPU
- Αρχιτεκτονική και επισκόπηση ροής εργασιών του Deep Learning Toolbox
- Επαλήθευση διαθεσιμότητας GPU, συμβατότητας CUDA/cuDNN και διαμόρφωσης οδηγών
- Διαμόρφωση παράλληλων εργατών, διαχείριση μνήμης και βασικές αρχές του
gpuArray - Εργαστήριο 1: Επαλήθευση περιβάλλοντος και εκτέλεση του πρώτου σεναρίου βαθιάς μάθησης επιταχυνόμενου με GPU
Βασικά Συστατικά Βαθιάς Μάθησης στο MATLAB
- Στρώσεις νευρωνικών δικτύων: conv, pooling, batch norm, dropout, residual και dense στρώσεις
- Θεμελιώδεις αρχές του
dlarray,dlnetworkκαι custom δακτυλίων εκπαίδευσης - Συναρτήσεις απωλειών, βελτιστοποιητές (Adam, SGD, RMSProp) και στρατηγικές ρύθμισης του ρυθμού μάθησης
- Οπτικοποίηση αρχιτεκτονικών, κατανομών βαρών και ροής κλίσεων για εντοπισμό σφαλμάτων
- Εργαστήριο 2: Κατασκευή ενός προσαρμοσμένου
dlnetworkαπό το μηδέν και εντοπισμός σφαλμάτων στις αλληλεπιδράσεις των στρώσεων
Σχεδιασμός CNNs για Αναγνώριση Εικόνας
- Προτυπα σχεδιασμού CNN: εξαγωγή χαρακτηριστικών, χωρικές ιεραρχίες και δέκτες πεδία (receptive fields)
- Mεταφορική μάθηση: αξιοποίηση προεκπαιδευμένων δικτύων όπως τα ResNet, EfficientNet και MobileNet
- Ροές εργασιών ενίσχυσης δεδομένων χρησιμοποιώντας
imageDatastore,augmentedImageDatastoreκαι προσαρμοσμένες μετασχηματισμούς - Εργαστήριο 3: Εκπαίδευση ενός CNN από το μηδέν σε ένα προσαρμοσμένο σύνολο δεδομένων ταξινόμησης εικόνας με ενίσχυση
Αυτοματοποιημένος Χαρακτηρισμός Δεδομένων & Αναπαραγώγιμες Ροές Εργασιών
- Αξιοποίηση των εργαλείων ενεργητικής μάθησης και ημι-επιβλεπόμενου χαρακτηρισμού του MATLAB
- Εισαγωγή και εξαγωγή σημειώσεων (COCO, Pascal VOC, YOLO, CSV)
- Κατασκευή σεναρίων προετοιμασίας δεδομένων ελεγχόμενων με εκδόσεις και παραμετροποιημένων
- Εργαστήριο 4: Αυτοματοποίηση της ροής εργασίας χαρακτηρισμού και ολοκλήρωσή της σε ένα σενάριο εκπαίδευσης
Κλίσιμη Εκπαίδευση: Πολλαπλές GPUs, Cloud & Clusters
- Στρατηγικές εκπαίδευσης με πολλαπλές GPUs: ρύθμιση μεγέθους παρτίδας (batch size), συσσώρευση κλίσεων και παράλληλη επεξεργασία δεδομένων
- Διεσπαρμένη εκπαίδευση με MATLAB Parallel Server και τοπικές συστάδες
- Ροές εργασίας εκπαίδευσης στο cloud (AWS, Azure, GCP) μέσω προφίλ υπολογιστικού cloud του MATLAB
- Παρακολούθηση εκπαίδευσης, στιγμιότυπα ασφαλείας (checkpointing) και τεχνικές βελτιστοποίησης υπερπαραμέτρων
- Εργαστήριο 5: Κλιμάκωση ενός μοντέλου σε ρύθμιση πολλαπλών GPUs/cloud και χαρτογράφηση της απόδοσης εκπαίδευσης
Διαλειτουργικότητα & Ανταλλαγή Μοντέλων μεταξύ Πλατφορμών
- Εισαγωγή προεκπαιδευμένων μοντέλων Caffe και TensorFlow/Keras στο MATLAB
- Επαλήθευση ισοδυναμίας ακρίβειας και προσαρμογή αρχιτεκτονικών για τις ροές εργασιών του MATLAB
- Εξαγωγή μοντέλων σε μορφές ONNX, TensorFlow ή Core ML για διαπλατφορμική deployment
- Εργαστήριο 6: Εισαγωγή μοντέλου TF-Keras, προσαρμογή του στο MATLAB και εξαγωγή σε ONNX
Έργο Υποδοχής & Ετοιμότητα για Παραγωγή
- Ακεραία ροή εργασιών: είσοδος δεδομένων, εκπαίδευση, επαλήθευση, βελτιστοποίηση και deployment
- Συμπίεση μοντέλων: κλάδευση (pruning), ποσοτικοποίηση (quantization) και γενώση κώδικα με το GPU Coder
- Καλύτερες πρακτικές αναπαραγωγιμότητας: logging, σπορά (seeding) και κοινοποίηση εφαρμογών βαθιάς μάθησης του MATLAB
- Υποδοχή: Κατασκευή, εκπαίδευση, βελτιστοποίηση και εξαγωγή ενός ολοκληρωμένου συστήματος αναγνώρισης εικόνας προσαρμοσμένου στον συγκεκριμένο τομέα σας
Για να ζητήσετε ένα προσαρμοσμένο πρόγραμμα σπουδών για αυτή την εκπαίδευση, επικοινωνήστε μαζί μας.
Απαιτήσεις
- Αριστή γνώση του MATLAB (σύνταξη, ροές προγραμματισμού, εξοικείωση με τα εργαλεία)
- Δεν απαιτείται προηγούμενη εμπειρία στην επιστήμη δεδομένων ή στη βαθιά μάθηση
- Πρόσβαση σε τοπικό σταθμό εργασίας με GPU (συμβατό με CUDA) ή σε εγκεκριμένη συστάδα cloud για τα εργαστήρια
Κοινό
- Προγραμματιστές & Μηχανικοί Λογισμικού
- Μηχανικοί Έρευνας & Ειδικοί Τομέα
- Ομάδες που μεταβαίνουν από παραδοσιακές διαδικασίες επεξεργασίας σημάτων/εικόνας σε διαδικασίες με βάση την Τεχνητή Νοημοσύνη
14 Ώρες
Σχόλια (3)
Μου άρεσαν πολύ τα τελικά όπου είχαμε την ευκαιρία να παίξουμε με το CHAT GPT. Η αίθουσα δεν ήταν κατά κάποιον τρόπο η καλύτερη γι' αυτό - αντί να υπάρχει μια μεγάλη τράπεζα, δυο μικρές θα βοήθησαν και θα μπορούσαμε να σχηματίσουμε μικρότερους ομάδες για διαδικασίες υποστήριξης.
Nola - Laramie County Community College
Κομμάτι - Artificial Intelligence (AI) Overview
Μηχανική Μετάφραση
Εργασία από τη βάση με εστιασμένο τρόπο και μετάβαση στην εφαρμογή περιπτώσεων στο ίδιο χρονικό διάστημα
Maggie Webb - Department of Jobs, Regions, and Precincts
Κομμάτι - Artificial Neural Networks, Machine Learning, Deep Thinking
Μηχανική Μετάφραση
Είχε την αίσθηση ότι προχώραμε με συνήθη ρυθμό και άμεση σχέση με το υλικό (δηλαδή, χωρίς να υπάρχουν περιττά στοιχεία)
Maggie Webb - Department of Jobs, Regions, and Precincts
Κομμάτι - Introduction to the use of neural networks
Μηχανική Μετάφραση
