ΣΕΜΙΝΑΡΙΟ MATLAB

HANDS-ON TRAINING:

Deep Learning με το MATLAB

Πέμπτη 02/04/2020, Ώρα: 10:00-17:00

 

 

Εκπαιδευτείτε στην επίλυση εξειδικευμένων προβλημάτων εις βάθος μάθησης χρησιμοποιώντας το MATLAB.

Θα επεξεργαστούμε μαζί παραδείγματα εις βάθος μάθησης (deep learning), δημιουργώντας, εκπαιδεύοντας και αξιολογώντας συνελικτικά (CNN) και άλλα είδη νευρωνικών δικτύων.


ΧΩΡΟΣ ΔΙΕΞΑΓΩΓΗΣ:

Το εκπαιδευτικό αυτό σεμινάριο θα πραγματοποιηθεί στα γραφεία μας, Λ. Μαραθώνος 53, ΠΑΛΛΗΝΗ, 15351. (χάρτης)


ΟΜΙΛΗΤΗΣ:

Ζαχαρίας Γκέτσης,
MENTOR HELLAS Senior Application Engineer

Περιγραφή

Τα θέματα που θα παρουσιαστούν στο εκπαιδευτικό αυτό σεμινάριο, αναπτύσσονται βήμα-βήμα μέσω παραδειγμάτων τα οποία θα εκτελούνται συγχρόνως από τον εισηγητή και τους εκπαιδευόμενους μέσα στο MATLAB.

Οι εκπαιδευόμενοι θα έχουν μαζί τους δικό τους φορητό Η/Υ στον οποίον θα έχει εγκατασταθεί το MATLAB και τα απαραίτητα toolboxes. Σε όσους δεν διαθέτουν φορητό Η/Υ θα τους παρασχεθεί από την εταιρία μας (περιορισμένος αριθμός διαθέσιμος). Η εγκατάσταση του MATLAB θα παραμείνει ενεργή για διάστημα δύο εβδομάδων μετά το πέρας της εκπαίδευσης.

Συγκεκριμένα θα ασχοληθούμε με:

  • Την εισαγωγή και οργάνωση εικόνων και δεδομένων ακολουθιών
  • Την χρήση έτοιμων αλληλεπιδραστικών εργαλείων (GUI) και κώδικα για την υλοποίηση εξειδικευμένων αναλύσεων όπως:
    • Συννελικτικά νευρωνικά δίκτυα (CNN) για κατηγοριοποίηση εικόνων και εντοπισμό συγκεκριμένων αντικειμένων σε εικόνες
    • Αναδρομικά Νευρωνικά Δίκτυα Μακράς και Βραχείας Μνήμης (LSTM) για κατηγοριοποίηση ακολουθιών και ανάπτυξη μοντέλων πρόβλεψης
  • Την αυτοματοποίηση και επαναχρησιμοποίηση των αναλύσεων με την χρήση script αρχείων και function.
  • Την δημιουργία τεχνικών αναφορών και την εξαγωγή των αποτελεσμάτων σε άλλες εφαρμογές

Προαπαιτούμενα

Οι συμμετέχοντες πρέπει να είναι εξοικειωμένοι με βασικές έννοιες και όρους στατιστικής ανάλυσης και επεξεργασίας εικόνας και να γνωρίζουν τις βασικές λειτουργίες του MATLAB.


 

ΠΡΟΓΡΑΜΜΑ ΠΑΡΟΥΣΙΑΣΗΣ

10:00 – 11:30   

Transfer Learning for Image Classification

 

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

  • Pretrained networks
  • Image datastores
  • Transfer learning
  • Network evaluation

11:30 – 11:50 

Διάλειμμα

11:50 – 13:20   

Creating and Training Networks

 

Build convolutional networks from scratch. Understand how information is passed between network layers and how different types of layers work. Understand how training algorithms work. Set training options to monitor and control training.

  • Training from scratch
  • Neural networks
  • Convolution layers and filters
  • Network training
  • Training progress plots
  • Validation

13:20 – 13:40 

Διάλειμμα

13:40 – 14:30        

Performing Image Regression

 

Create convolutional networks that can predict continuous numeric responses.

  • Transfer learning for regression
  • Evaluation metrics for regression networks

14:30 – 15:10        

Detecting Objects in Images

 

Train networks to locate and label specific objects within images.

  • Object detection

15:10 – 15:30

Διάλειμμα

15:30 – 17:00

Classifying Sequence Data

 

Build and train networks to perform classification on ordered sequences of data, such as time series or sensor data.

  • Long short-term memory networks
  • Sequence classification
  • Sequence preprocessing
  • Categorical sequences

17:00 – ...

Ερωτήσεις – Συζήτηση


 

 

Για να εξασφαλίσετε τη συμμετοχή σας, παρακαλούμε συμπληρώστε τα στοιχεία σας στην φόρμα εγγραφής ή επικοινωνήστε μαζί μας τηλεφωνικά στο 210 60.31.121.

 

ΚΟΣΤΟΣ ΣΥΜΜΕΤΟΧΗΣ:

  • 150 € - κατάθεση μέχρι τις 26/03/2020
  • Το κόστος της εκπαίδευσης μπορεί να επιδοτηθεί μέσω του ΟΑΕΔ-ΛΑΕΚ*

Για φοιτητές (με επίδειξη φοιτητικού πάσου):

  • 100 € - κατάθεση μέχρι τις 26/03/2020
  • Για φοιτητές που θα παρακολουθήσουν και το σεμινάριο "Μηχανική Μάθηση με το MATLAB" στις 31/03/2020, το συνολικό κόστος είναι 180€ για κατάθεση μέχρι τις 26/03/2020.

Tο κόστος εκπαίδευσης ΔΕΝ επιβαρύνεται με Φ.Π.Α.

( * Η ηλεκτρονική υποβολή πρότασης υλοποίησης προγραµµάτων µπορεί να γίνεται τουλάχιστον πέντε (5) εργάσιµες ηµέρες πριν την ηµεροµηνία έναρξης του προγράµµατος. Πληροφορίες στη διεύθυνση http://laek.oaed.gr )