Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
MATLAB-Umgebung für Deep Learning sowie GPU-Validierung
- Übersicht über die Architektur und Arbeitsabläufe der Deep-Learning-Toolbox
- Überprüfung der GPU-Verfügbarkeit, Kompatibilität mit CUDA/cuDNN sowie Konfiguration der Treiber
- Einrichten paralleler Rechenprozesse, Verwaltung des Speicherverbrauchs und Grundlagen zur Nutzung von
gpuArray - Übung 1: Überprüfung der Arbeitsumgebung sowie Ausführung des ersten GPU-beschleunigten Deep-Learning-Skripts
Grundlagen des Deep Learning in MATLAB
- Neuronale Netzschichten: Konvolution, Pooling, Batch-Normalization, Dropout, Residual- sowie vollverbundene Schichten
- Einführung in
dlarray,dlnetworksowie in das Erstellen eigener Trainingsschleifen - Verlustfunktionen, Optimierer (Adam, SGD, RMSProp) und Strategien zur Anpassung der Lernrate
- Visualisierung von Netzarchitekturen, Gewichtsverteilungen sowie Gradientenflüssen zur Fehleranalyse
- Übung 2: Erstellung eines eigenen
dlnetwork-Objekts sowie Untersuchung der Wechselwirkungen zwischen einzelnen Schichten
Entwicklung von CNNs für die Bilderkennung
- Typische Konzepte zur Gestaltung von CNNs: Merkmalsextraktion, räumliche Hierarchien sowie Rezeptivfelder
- Transfer Learning – Nutzung vorab trainierter Modelle wie ResNet, EfficientNet und MobileNet
- Erstellung von Datenaugmentations-Pipelines mithilfe von
imageDatastore,augmentedImageDatastoresowie benutzerdefinierten Transformationen - Übung 3: Training eines CNN-Netzwerks anhand eigener Bilddaten inklusive Datenaugmentation
Automatisierte Datengenerierung und reproduzierbare Arbeitsabläufe
- Nutzung von MATLAB-Funktionen für aktives Lernen sowie semi-supervisiertes Labeling
- Importieren und Exportieren von Annotationen in Formaten wie COCO, Pascal VOC, YOLO oder CSV
- Erstellen versionierter Skripte zur Datenverarbeitung mit parametrischen Einstellungen
- Übung 4: Automatisierung des Labeling-Prozesses sowie Integration in ein Trainingsskript
Skalierbares Training: Mehrfach-GPUs, Cloud und Rechencluster
- Strategien für das Training mit mehreren GPUs: Anpassung der Batchgröße, Gradientenakkumulation sowie Dataparallelität
- Verteiltes Training mittels MATLAB Parallel Server und lokalen Clustern
- Einsatz von Cloud-Infrastrukturen (AWS, Azure, GCP) für das Modelltraining über spezielle MATLAB-Cloud-Konfigurationen
- Überwachung des Trainingsprozesses, Erstellung von Checkpoints sowie Optimierung der Hyperparameter
- Übung 5: Skalierung eines Modells auf mehrere GPUs bzw. Cloud-Ressourcen und Messung der Trainingsgeschwindigkeit
Interoperabilität zwischen Frameworks sowie Austausch von Modellen
- Einfügen bereits trainierter Modelle aus Caffe bzw. TensorFlow/Keras in MATLAB
- Überprüfung der Ergebnisqualität sowie Anpassung der Netzstruktur an die Bedürfnisse von MATLAB
- Export von Modellen nach ONNX, TensorFlow oder Core ML zur Nutzung in anderen Umgebungen
- Übung 6: Importieren eines TF-Keras-Modells, anschließendes Feinabstimmen in MATLAB und Export als ONNX-Datei
Abschlussprojekt sowie Vorbereitung auf die Produktionsumgebung
- Ganzer Arbeitsablauf: Datenerfassung, Training, Validierung, Optimierung und schließlich Veröffentlichung des Modells
- Modellkompression – Pruning, Quantisierung sowie Generierung von Code mithilfe von GPU Coder
- Beste Vorgehensweisen zur Reproduzierbarkeit: Protokollierung, Zufallsseed-Einstellungen sowie Erstellung spezialisierter MATLAB-Deep-Learning-Anwendungen
- Abschlussprojekt: Entwicklung, Training, Optimierung und Export eines vollständigen Bilderkennungssystems passgenau zu den individuellen Anforderungen der Teilnehmer
Falls Sie einen maßgeschneiderten Kursplan für dieses Training wünschen, kontaktieren Sie uns bitte.
Voraussetzungen
- Gute Kenntnisse in MATLAB (Syntax, Programmiermethoden sowie Vertrautheit mit den Toolboxen)
- Keine Vorkenntnisse im Bereich Data Science oder Deep Learning erforderlich
- Zugriff auf einen lokalen Arbeitsplatz mit GPU-Unterstützung (kompatibel mit CUDA) oder ein freigegebener Cloud-Cluster für die praktischen Übungen
Zielgruppe
- Entwickler und Software-Ingenieure
- Forschungsingenieure sowie Fachleute aus spezifischen Bereichen
- Teams, die vom klassischen Signal- bzw. Bildverarbeitungsansatz zu KI-basierten Arbeitsabläufen wechseln möchten
14 Stunden
Erfahrungsberichte (2)
Die Ausbildung war gut organisiert und strukturiert. Ich habe sie mit systematischem Wissen und einer fundierten Übersicht der behandelten Themen successfully absolviert.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maschinelle Übersetzung
Mir hat besonders der Schluss gefallen, als wir die Zeit nahmen, mit CHAT GPT herumzuspielen. Der Raum war dafür jedoch nicht optimal eingerichtet – anstelle eines großen Tisches wären ein paar kleinere Tische nützlicher gewesen, damit wir in kleinen Gruppen zusammenkommen und brainstormen könnten.
Nola - Laramie County Community College
Kurs - Artificial Intelligence (AI) Overview
Maschinelle Übersetzung
