Próximos Webinars MATLAB y Simulink

Desmitificando el Deep Learning: Segmentación Semántica y Despliegue

Descripción general

El Deep Learning (o Aprendizaje Profundo) puede alcanzar niveles de precisión muy altos, siendo actualmente el estado del arte para muchas tareas consideradas como muy difíciles o incluso irresolubles utilizando técnicas tradicionales de Machine Learning, incluyendo clasificación de objetos en una escena o el reconocimiento de rutas óptimo en un entorno.

En este seminario virtual descifraremos el conocimiento que permite utilizar técnicas de Deep Learning y demostraremos las nuevas funcionalidades de MATLAB que simplifican estas tareas y eliminan la programación a bajo nivel. Desde la creación de prototipos al paso a producción: construiremos y entrenaremos redes neuronales, y convertiremos automáticamente los modelos entrenados a código CUDA, para su ejecución nativa en GPUs.

Nota: Este seminario virtual se basa en conceptos previos ya discutidos en el seminario virtual (grabado) Aprendizaje Profundo para Visión Artificial con MATLAB

Lo más destacado

  • Segmentación semántica a nivel de píxel en imágenes
  • Importación y uso de modelos pre-entrenados de TensorFlow y Caffe
  • Aceleración del entrenamiento de la red con computación paralela en un clúster
  • Data Augmentation para mejorar la precisión de un modelo de aprendizaje profundo
  • Conversión automática de un modelo a CUDA para ejecución nativa en GPUs

Acerca del presentador o presentadores

Lucas García es Senior Application Engineer en MathWorks especializado en Machine Learning y Big Data Analytics con más de 12 años de experiencia en la industria del software e investigación. Lucas es licenciado en Matemáticas por la Universidad Autónoma de Madrid y máster en Ingeniería Matemática y doctor en Matemáticas por la Universidad Complutense de Madrid. Su investigación está centrada en el uso de redes neuronales artificiales para resolver problemas de optimización combinatoria.

Productos destacados

El registro está completo