Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Τα μηνύματά μου    Αναζήτηση

  • Όλες οι κατηγορίες
  • Δημόσιες Ανακοινώσεις
  • Διαλέξεις / Ημερίδες / Εκδηλώσεις
  • Σεμινάριο σε Matlab για "Μηχανική Μάθηση και Deep Learning" από την εταιρεία Mentor Hellas

Σεμινάριο σε Matlab για "Μηχανική Μάθηση και Deep Learning" από την εταιρεία Mentor Hellas

  • Συντάχθηκε 29-11-2018 13:23 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Σεμινάριο MATLAB – Πολυτεχνείο Κρήτης

    Τετάρτη 05.12.2018, ώρες: 13:00-16:00, Αμφιθέατρο Επιστημών

    Ομιλητής: Γκέτσης Ζαχαρίας

    Machine Learning and Deep Learning with MATLAB

    Importing and Organizing Data

    Objective: Bring data into MATLAB and organize it for analysis, including normalizing data and removing observations with missing values.

    • Data types
    • Tables
    • Categorical data
    • Data preparation

    Finding Natural Patterns in Data (Clustering)

    Objective: Use unsupervised learning techniques to group observations based on a set of explanatory variables and discover natural patterns in a data set.

    • Unsupervised learning
    • Clustering methods
    • Cluster evaluation and interpretation

    Building Classification Models

    Objective: Use supervised learning techniques to perform predictive modeling for classification problems. Evaluate the accuracy of a predictive model.

    • Supervised learning
    • Training and validation
    • Classification methods

    Building Regression Models

    Objective: Use supervised learning techniques to perform predictive modeling for continuous response variables.

    • Parametric regression methods
    • Nonparametric regression methods
    • Evaluation of regression models

    Creating Neural Networks

    Objective: Create and train neural networks for clustering and predictive modeling. Adjust network architecture to improve performance.

    • Clustering with Self-Organizing Maps
    • Classification with feed-forward networks
    • Regression with feed-forward networks

    Transfer Learning for Image Classification

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

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

    Building Convolutional Networks

    Objective: Build convolutional networks from scratch. Understand how information is passed between network layers and how different types of layers work. Train networks to locate and label specific objects within images.

    • Training from scratch
    • Neural networks, convolution layers and filters
    • Object detection


    Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 141Π-98,141Θ-97
    Έναρξη: 05/12/2018 13:00
    Λήξη: 05/12/2018 16:00


  • Συντάχθηκε 10-12-2018 12:29 Πληροφορίες σύνταξης

    Ενημερώθηκε: 10-12-2018 12:38

    Το υλικό από το σεμινάριο παρατίθεται παρακάτω για κάθε ενδιαφερόμενο. Επίσης το βίντεο είναι διαθέσιμο εδώ.

    Πολλές ευχαριστίες στον απόφοιτό μας ΗΜΜΥ κ. Ζαχαρία Γκέτση και στην Mentor Hellas για την παρουσίαση.

    Machine Learning with MATLAB:

     

    Deep Learning with MATLAB:


    Συνημμένα:

    • mlml.part1.rar
      Μεταφορτώσεις: 2137, Μέγεθος: 7 MB application/vnd.rar
    • mlml.part2.rar
      Μεταφορτώσεις: 2155, Μέγεθος: 3 MB application/vnd.rar
© Πολυτεχνείο Κρήτης 2012