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 MATLAB para Aprendizaje Profundo y Validación de GPU
- Arquitectura de Deep Learning Toolbox y resumen del flujo de trabajo
- Verificación de la disponibilidad de GPU, compatibilidad con CUDA/cuDNN y configuración del controlador
- Configuración de workers 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
Conceptos fundamentales de Aprendizaje Profundo en MATLAB
- Capas de redes neuronales: conv, pooling, batch norm, dropout, residual y dense
- Fundamentos de
dlarray,dlnetworky loops de entrenamiento personalizados - Funciones de pérdida, optimizadores (Adam, SGD, RMSProp) y estrategias de programación del learning rate
- Visualización de arquitecturas, distribuciones de pesos y flujo de gradientes para depuración
- Lab 2: Construcción de un
dlnetworkpersonalizado 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 sobre un conjunto de datos personalizado de clasificación de imágenes con aumento
Etiquetado Automatizado de Datos y Pipelines Reproducibles
- Aprovechamiento de las herramientas de aprendizaje activo y etiquetado semisupervisado 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 con un script de entrenamiento
Entrenamiento Escalable: Multi-GPU, Nube y Clusters
- Estrategias de entrenamiento con múltiples GPUs: ajuste del tamaño del batch, acumulación de gradientes y paralelismo de datos
- Entrenamiento distribuido con MATLAB Parallel Server y clusters on-premises
- Flujos de trabajo de entrenamiento en la nube (AWS, Azure, GCP) a través de perfiles de cómputo en la nube de MATLAB
- Técnicas de monitoreo del entrenamiento, checkpointing y optimización de hiperparámetros
- Lab 5: Escalado de un modelo a una configuración multi-GPU/nube y perfilamiento del throughput de entrenamiento
Interoperabilidad entre Frameworks e Intercambio de Modelos
- Importación de modelos preentrenados de Caffe y TensorFlow/Keras en MATLAB
- Validación de la paridad de precisión y adaptación de arquitecturas para flujos de trabajo en 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 extremo a extremo: ingesta de datos, entrenamiento, validación, optimización e implementación
- Compresión de modelos: poda, cuantización y generación de código con GPU Coder
- Mejores prácticas para la reproducibilidad: logging, seedings y compartición de apps 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 personalizado para este entrenamiento, por favor contáctenos.
Requerimientos
- Competencia en MATLAB (sintaxis, flujos de trabajo de programación y familiaridad con las toolbox)
- No se requiere experiencia previa en ciencia de datos ni aprendizaje profundo
- Acceso a una estación de trabajo local habilitada para GPU (compatible con CUDA) o un cluster en la nube aprobado para los laboratorios en vivo
Público objetivo
- Desarrolladores e Ingenieros de Software
- Ingenieros de Investigación y Expertos en el dominio
- Equipos que están migrando desde flujos de trabajo tradicionales de procesamiento de señales/imágenes hacia procesos impulsados por IA
14 Horas
Reseñas (2)
La capacitación estuvo bien organizada y planificada, y salí de ella con conocimientos sistemáticos y una buena visión de los temas que abordamos
Magdalena - Samsung Electronics Polska Sp. z o.o.
Curso - Deep Learning with TensorFlow 2
Traducción Automática
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
