MATLAB SEMINAR

Corallia Cluster Initiative

Workshop: 

Machine Learning & Deep Learning using MATLAB
 
Τετάρτη 06/03/2019
Ώρες: 10:00-14:00
 
 

Το σεμινάριο είναι δωρεάν και απευθύνεται κυρίως στα μέλη του Corallia Clusters Initiative, σε μηχανικούς – στελέχη εταιριών και επιχειρήσεων με δραστηριότητα στη ανάπτυξη αλγορίθμων, που θέλουν να ενημερωθούν και να δουν μέσα από αναλυτικά παραδείγματα τις δυνατότητες του MATLAB.

Θα παρουσιαστούν παραδείγματα μηχανικής μάθησης (machine learning) και αναγνώρισης προτύπων (pattern matching) χρησιμοποιώντας γενικευμένα μοντέλα παλινδρόμησης (regression), αλγορίθμους συσταδοποίησης (clustering) και αλγόριθμους ταξινόμησης (classification), καθώς και η χρήση νευρωνικών δικτύων. Επίσης, θα επιδειχθεί η δημιουργία και εκπαίδευση συνελικτικών νευρωνικών δικτύων (CNN) για την εις βάθος μάθηση (deep learning) για κατηγοριοποίηση εικόνων και εντοπισμό συγκεκριμένων αντικειμένων σε εικόνες. Τέλος, θα γίνει αναφορά στην χρήση της υπολογιστικής ισχύος καρτών γραφικών (GPU computing) για την επιτάχυνση των διαδικασιών. 

Τόπος Διεξαγωγής:

α2-innohub (HQ), Αίθουσα: Coral Reef

Λ. Κηφισίας 44, Monumental Plaza Κτήριο Γ, 15125 Μαρούσι, Αττική

(στάση Προαστιακού: Κηφισίας)

Το σεμινάριο είναι ΔΩΡΕΑΝ. Για να δηλώσετε τη συμμετοχή σας, παρακαλούμε συμπληρώστε τα στοιχεία σας στην φόρμα εγγραφής (περιορισμένος αριθμός θέσεων).


ΟΜΙΛΗΤΗΣ:

Ζαχαρίας ΓκέτσηςSenior Application Engineer, Μέντωρ Ελλάς


ΠΡΟΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ

Ώρα: 10:00 - 14:00

Importing and Organizing Data

  • Bring data into MATLAB and organize it for analysis, including normalizing data and removing observations with missing values.

Finding Natural Patterns in Data (Clustering)

  • Use unsupervised learning techniques to group observations based on a set of explanatory variables and discover natural patterns in a data set.

Building Classification Models

  • Use supervised learning techniques to perform predictive modeling for classification problems.
  • Evaluate the accuracy of a predictive model.

Building Regression Models

  • Use supervised learning techniques to perform predictive modeling for continuous response variables.

Creating Neural Networks

  • Create and train neural networks for clustering and predictive modeling.
  • Adjust network architecture to improve performance.

Transfer Learning for Image Classification

  • Perform image classification using pretrained networks.
  • Use transfer learning to train customized classification networks.

Building Convolutional Networks

  • Build convolutional networks from scratch. Understand how information is passed between network layers and how different types of layers work.
  • Train networks to locate and label specific objects within images.