Глубокое обучение в MATLAB (MLDL)

День 1

• Передача обучения для классификации изображений.
• Интерпретация поведения сети.
• Создание нейронной сети.
• Обучение сети.

День 2

• Повышение производительности сети.
• Выполнение регрессии изображения.
• Детектирование объекта на изображении.

Дополнительно (по запросу)

• Рекуррентные сети.
• Введение в генерацию кода. 

• Предобученные сети;
• Предобработка изображений;
• Управление базой данных изображений;
• Передача обучения.

• Активации в глубоких сверточных сетях;
• Извлечение характеристик;
• Машинное обучение.

• Создание и сборка слоев;
• 2-D свертка;
• Просмотри и использование фильтров.

• Обучение сети;
• Мониторинг процесса обучения;
• Валидация.

• Настройка опций обучения;
• Аугментация изображений;
• Направленный ациклический граф.

• Регрессия изображений;
• Передача обучения для регрессии;
• Оценка регрессионной сети.

• Выделение региона для детектирования объекта;
• Выделение регионов на основе сверточных нейронных сетей;
• Использование R-CNN.

• Архитектура LSTM нейрона;
• Слои рекуррентных сетей;
• Настройка LSTM сети;
• Обработки текста;
• Обработка звука.

• Генерация C/C++ кода;
• Генерация GPU кода;
• Генерация кода для глубоких сетей на различные целевые платформы.