Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Ambiente de Aprendizaje Profundo de MATLAB y Validación de GPU
- Arquitectura y resumen de flujos de trabajo de Deep Learning Toolbox
- Verificación de la disponibilidad de GPU, compatibilidad de CUDA/cuDNN y configuración del controlador
- Configuración de trabajadores paralelos, gestión de memoria y dominio básico de
gpuArray - Lab 1: Validación del entorno y ejecución de su primer script de aprendizaje profundo acelerado por GPU
Constructos Básicos de Aprendizaje Profundo en MATLAB
- Capas de redes neuronales: conv, pooling, normalización por lotes, dropout, residuales y capas densas
- Fundamentos de
dlarray,dlnetworky bucles de entrenamiento personalizados - Funciones de pérdida, optimizadores (Adam, SGD, RMSProp) y estrategias de planificación de la tasa de aprendizaje
- Visualización de arquitecturas, distribuciones de pesos y flujo de gradientes para depurar
- Lab 2: Creación de un
dlnetworkpersonalizado desde cero y depuración de interacciones entre capas
Diseño de CNNs para el Reconocimiento de Imágenes
- Patrones de diseño de CNN: extracción de características, jerarquías espaciales y campos receptivos
- Aprendizaje por transferencia: aprovechamiento de redes preentrenadas como ResNet, EfficientNet y MobileNet
- Pipelines de aumento de datos utilizando
imageDatastore,augmentedImageDatastorey transformaciones personalizadas - Lab 3: Entrenamiento de una CNN desde cero en un conjunto de datos personalizado de clasificación de imágenes con aumento
Etiquetación de Datos Automatizada y Pipelines Reproducibles
- Aprovechamiento de las herramientas de aprendizaje activo y etiquetación semisupervisada de MATLAB
- Importación y exportación de anotaciones (COCO, Pascal VOC, YOLO, CSV)
- Creación de scripts de preparación de datos versionados y parametrizados
- Lab 4: Automatización del flujo de trabajo de etiquetación y su integración en un script de entrenamiento
Entrenamiento Escalable: Multi-GPU, Nube y Clústeres
- Estrategias de entrenamiento con múltiples GPUs: ajuste del tamaño del lote, acumulación de gradientes y paralelismo de datos
- Entrenamiento distribuido con MATLAB Parallel Server y clústeres locales
- Flujos de trabajo de entrenamiento en la nube (AWS, Azure, GCP) a través de perfiles de computación en la nube de MATLAB
- Monitorización del entrenamiento, guardado de instantáneas y técnicas de optimización de hiperparámetros
- Lab 5: Escalado de un modelo a un entorno multi-GPU/nube y perfilado del rendimiento del entrenamiento
Interoperabilidad entre Frameworks e Intercambio de Modelos
- Importación de modelos Caffe y TensorFlow/Keras preentrenados a MATLAB
- Validación de la paridad de precisión y adaptación de arquitecturas para flujos de trabajo de MATLAB
- Exportación de modelos a ONNX, TensorFlow o Core ML para implementación multiplataforma
- Lab 6: Importación de un modelo TF-Keras, ajuste fino en MATLAB y exportación a ONNX
Proyecto Final y Preparación para Producción
- Pipeline de extremo a extremo: ingestión de datos, entrenamiento, validación, optimización e implementación
- Compresión de modelos: poda, cuantización y generación de código con GPU Coder
- Mejores prácticas para la reproducibilidad: registro, fijación de la semilla y compartición de aplicaciones de aprendizaje profundo de MATLAB
- Proyecto Final: Crear, entrenar, optimizar y exportar un sistema completo de reconocimiento de imágenes adaptado a su dominio específico
Para solicitar un plan de estudios personalizado para esta capacitación, póngase en contacto con nosotros.
Requerimientos
- Dominio de MATLAB (sintaxis, flujos de trabajo de programación y familiaridad con las herramientas)
- No se requiere experiencia previa en ciencia de datos ni en aprendizaje profundo
- Acceso a una estación de trabajo local con GPU (compatible con CUDA) o a un clúster en la nube aprobado para los laboratorios en vivo
Audiencia
- Desarrolladores e Ingenieros de software
- Ingenieros de investigación y Expertos en el dominio
- Equipos que transicionan desde flujos de trabajo tradicionales de procesamiento de señales/imágenes hacia flujos de trabajo impulsados por IA
14 Horas
Testimonios (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
