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
Entorno de aprendizaje profundo en MATLAB y validación de GPU
- Descripción general de la arquitectura y flujos de trabajo del Deep Learning Toolbox
- Comprobación de disponibilidad de la GPU, compatibilidad con CUDA/cuDNN y configuración de controladores
- Configuración de procesos paralelos, gestión de memoria y nociones básicas sobre el uso de
gpuArray - Laboratorio 1: Validación del entorno y ejecución del primer script de aprendizaje profundo acelerado por GPU
Conceptos esenciales del aprendizaje profundo en MATLAB
- Tipos de capas neuronales: convolucionales, de agrupación, de normalización por lotes, dropout, residuales y densas.
- Noción básica sobre
dlarray,dlnetworky técnicas para crear bucles de entrenamiento personalizados. - Funciones de pérdida, optimizadores (Adam, SGD, RMSProp) y estrategias de ajuste de la tasa de aprendizaje.
- Visualización de arquitecturas, distribuciones de pesos y flujo de gradientes con el fin de facilitar la depuración.
- Laboratorio 2: Construcción desde cero de una red
dlnetworkpersonalizada y depuración de las interacciones entre sus distintas capas.
Diseño de redes convolucionales para reconocimiento de imágenes
- Patrones habituales en el diseño de redes CNN: extracción de rasgos, jerarquías espaciales y campos receptivos.
- Aprendizaje por transferencia: utilización de modelos ya entrenados como ResNet, EfficientNet y MobileNet.
- Elaboración de flujos de amplificación de datos empleando
imageDatastore,augmentedImageDatastorey transformaciones propias. - Laboratorio 3: Entrenamiento de una CNN desde cero, basada en un conjunto personalizado de imágenes etiquetadas, aplicando técnicas de amplificación de datos.
Etiquetado automatizado de datos y flujos de trabajo reproducibles
- Aprovechamiento de herramientas propias de MATLAB para el aprendizaje activo y la etiquetación semiautomática.
- Importación y exportación de anotaciones en formatos habituales (COCO, Pascal VOC, YOLO, CSV).
- Creación de scripts parametrizados y sujetos al control de versiones para la preparación de datos.
- Laboratorio 4: Automatización del proceso de etiquetado e integración con el script de entrenamiento.
Entrenamiento a escala: uso múltiple de GPUs, la nube y clústeres
- Estrategias de entrenamiento multi-GPU: ajuste del tamaño de lote, acumulación de gradientes y paralelismo en los datos.
- Entrenamiento distribuido mediante MATLAB Parallel Server y clústeres locales o remotos.
- Ejecución de procesos de entrenamiento en la nube (AWS, Azure, GCP) empleando perfiles de computación en la nube definidos en MATLAB.
- Seguimiento del progreso del entrenamiento, guardado periódico de estados y técnicas de optimización de hiperparámetros.
- Laboratorio 5: Escalado de un modelo a entornos multi-GPU o basados en la nube; valoración del rendimiento del proceso de aprendizaje.
Interoperabilidad entre frameworks y intercambio de modelos
- Importación en MATLAB de modelos ya entrenados provenientes de Caffe y TensorFlow/Keras.
- Comprobación del grado de precisión obtenido y adaptación necesaria para su uso dentro de Matlab.
- Exportación a formatos tales como ONNX, TensorFlow o Core ML con el fin de facilitar la implementación en distintas plataformas.
- Laboratorio 6: Importación del modelo TF-Keras, afinado posterior en MATLAB y exportación al formato ONNX.
Proyecto final y preparación para su producción
- Confección de un flujo de trabajo completo: incorporación, procesamiento y validación de datos; entrenamiento y optimización del modelo.
- Técnicas de compresión del modelo (podado, cuantificación) y generación automática de código por medio de GPU Coder.
- Mejores prácticas para garantizar reproducibilidad: registro detallado de operaciones, fijación de semillas iniciales y difusión sencilla de aplicaciones desarrolladas en MATLAB destinadas al aprendizaje profundo.
- Proyecto final: Elaboración completa de un sistema orientado a reconocer imágenes, adaptándolo específicamente a las necesidades del entorno en el que se opere.
Si desean solicitar una guía detallada y personalizada sobre este curso, no duden en ponerse en contacto con nosotros.
Requerimientos
- Dominio básico de MATLAB (sintaxis, flujos de trabajo de programación y familiaridad con sus herramientas)
- No se requiere experiencia previa en ciencia de datos ni en aprendizaje profundo
- Se necesita acceso a un equipo local dotado de GPU compatible con CUDA o a un clúster en la nube autorizado para los ejercicios prácticos.
Público objetivo
- Desarrolladores e ingenieros de software
- Ingenieros de investigación y expertos del sector
- Equipos que estén haciendo la transición desde procesamientos tradicionales de señales o imágenes hacia flujos de trabajo basados en IA.
14 Horas
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 2900 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
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
