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 en MATLAB y Validación de GPU
- Arquitectura de Deep Learning Toolbox y descripción general del flujo de trabajo
- Verificación de la disponibilidad de GPU, compatibilidad de CUDA/cuDNN y configuración del controlador
- Configuración de trabajadores en paralelo, gestión de memoria y dominar los conceptos básicos de
gpuArray - Lab 1: Validación del entorno y ejecución de su primer script de aprendizaje profundo acelerado por GPU
Conceptos Fundamentales de Aprendizaje Profundo en MATLAB
- Capas de redes neuronales: conv, pooling, normalización por lotes, dropout, residual y capas densas
- Fundamentos de
dlarray,dlnetworky ciclos de entrenamiento personalizados - Funciones de pérdida, optimizadores (Adam, SGD, RMSProp) y estrategias de programación de la tasa de aprendizaje
- Visualización de arquitecturas, distribuciones de pesos y flujo de gradientes para la depuración
- Lab 2: Construcción de una
dlnetworkpersonalizada desde cero y depuración de interacciones entre capas
Diseño de CNNs para 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 de datos
Etiquetado Automático de Datos y Pipelines Reproducibles
- Aprovechamiento de las herramientas de aprendizaje activo y etiquetado semi-supervisado de MATLAB
- Importación y exportación de anotaciones (COCO, Pascal VOC, YOLO, CSV)
- Construcción de scripts de preparación de datos parametrizados y con control de versiones
- Lab 4: Automatización del flujo de trabajo de etiquetado e integración en un script de entrenamiento
Entrenamiento Escalable: Multi-GPU, Nube y Clústeres
- Estrategias de entrenamiento con múltiples GPU: 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
- Monitoreo del entrenamiento, puntos de control y técnicas de optimización de hiperparámetros
- Lab 5: Escalado de un modelo a un entorno con múltiples GPU/nube y perfilado del rendimiento del entrenamiento
Interoperabilidad entre Frameworks y Intercambio de Modelos
- Importación de modelos preentrenados de Caffe y TensorFlow/Keras 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 en múltiples plataformas
- 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 y despliegue
- Compresión de modelos: poda, cuantización y generación de código con GPU Coder
- Mejores prácticas de reproducibilidad: registro, generación de semillas y compartir aplicaciones de aprendizaje profundo de MATLAB
- Proyecto Final: Construir, entrenar, optimizar y exportar un sistema completo de reconocimiento de imágenes adaptado a su dominio específico
Para solicitar un temario de curso personalizado para esta formación, contáctenos.
Requerimientos
- Competencia en MATLAB (sintaxis, flujos de trabajo de programación y familiaridad con las herramientas)
- No se requiere experiencia previa en ciencia de datos o aprendizaje profundo
- Acceso a una estación de trabajo con GPU habilitada (compatible con CUDA) o un clúster en la nube autorizado para laboratorios en vivo
Público objetivo
- Desarrolladores e Ingenieros de Software
- Ingenieros de Investigación y Expertos en el Dominio
- Equipos que transicionan de flujos de trabajo tradicionales de procesamiento de señales/imágenes a 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
