MATLAB 2023a 機械学習および深層学習の実践的なアプリケーション

ディープ ラーニング ツールボックスの MATLAB 2023 バージョンは、統合環境でディープ ラーニングのモデル化、トレーニング、展開を可能にする完全なツール チェーンを提供します。Python と比較して、MATLAB の構文は簡潔で使いやすく、面倒な構成やインストールを必要としないため、深層学習タスクをより迅速に実装できます。

MATLAB の深層学習ツールボックスは、データの前処理からモデルのトレーニングまでのプロセス全体をカバーする豊富な関数とアルゴリズムを提供します。バッチ インポートとデータストア クラス関数を使用して、データ操作を効率的に実行することで、大規模なデータ セットを簡単にインポートおよび処理できます。MATLAB には、面倒なコードを書かずにネットワーク構造を迅速に構築およびカスタマイズできる直感的なディープ ネットワーク デザイナーも用意されています。同時に、MATLAB の共同作業機能と、TensorFlow や PyTorch などの深層学習フレームワークにより、他のプラットフォームと柔軟に対話し、それぞれの利点を最大限に発揮することができます。さらに、MATLAB の深層学習ツールボックスには、モデルの解釈可能性と特徴の視覚化において優れた利点もあります。特徴マップの視覚化、コンボリューション カーネルの視覚化、カテゴリ アクティベーションの視覚化などの方法を通じて、ディープ ラーニング モデルの動作原理と意思決定プロセスを深く理解できます。MATLAB は、モデルの予測結果の説明と解釈に役立つ、CAM、LIME、GRAD-CAM などの一般的に使用される解釈方法も提供します。これらの機能は、研究やプロジェクトに対するより深い洞察と理解をもたらします。

元のテキストを表示

第一章

MATLAB 2023a Deep Learning Toolbox の新機能の紹介

1. MATLAB ディープ ラーニング ツールボックスの概要
2. ライブスクリプト機能とインタラクティブコントロール機能の紹介とデモンストレーション
3. ビッグデータ一括インポートとDatastore機能の機能紹介とデモンストレーション
4. データクリーニング機能の紹介とデモ
5. ディープネットワークデザイナー機能の紹介とデモンストレーション
6. Experiment Manager 機能の紹介とデモ
7. MATLAB 深層学習モデル ハブの概要
8. MATLAB の共同作業機能と TensorFlow や PyTorch などの深層学習フレームワークの紹介とデモンストレーション
9. MATLAB Deep Learning Toolbox の例简介

第 2 章、畳み込みニューラルネットワーク(CNN)

1. ディープラーニングと従来の機械学習の違いとつながり
2. 畳み込みニューラル ネットワークの基本原理 (畳み込みカーネルとは何ですか? CNN の典型的なトポロジとは何ですか? CNN の重み共有メカニズムとは何ですか? CNN によって抽出される特徴は何ですか?)
3. LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet、およびその他の古典的なディープ ニューラル ネットワークの違いと接続
4. 事前トレーニング済みモデル (Alexnet、Vgg-16/19、GoogLeNet、ResNet など) のダウンロードとインストール
5. 最適化アルゴリズム (勾配降下法、確率的勾配降下法、ミニバッチ確率的勾配降下法、運動量法、Adam など)
6. パラメータ調整スキル（パラメータ初期化、データ前処理、データ増幅、バッチ正規化、ハイパーパラメータ最適化、ネットワーク正則化など）

7. 事例説明: (1) 物体認識を実現する CNN 事前学習モデル

(2) 畳み込みニューラルネットワークを利用して抽象的な特徴を抽出する

(3) カスタマイズされた畳み込みニューラル ネットワーク トポロジ

(4) 1D CNN モデルは回帰フィッティング予測問題を解決します

8. 実践的な演習

第 3 章、モデルの説明と機能の視覚化

1. モデルの解釈可能性とは何ですか? なぜ CNN モデルを説明する必要があるのでしょうか?
2. 一般的に使用される視覚化方法 (特徴マップの視覚化、コンボリューション カーネルの視覚化、カテゴリ アクティベーションの視覚化など) は何ですか?
3. CAM（Class Activation Mapping）、LIME（Local Interpretable Model-agnostic Description）、GRAD-CAMなどの原理の説明
4. 事例説明

実践的な演習

第 4 章、転移学習アルゴリズム(転移学習)

1. 転移学習アルゴリズムの基本原理（なぜ転移学習が必要なのか？転移学習の基本的な考え方とは？）

2. ディープニューラルネットワークモデルに基づく転移学習アルゴリズム

3. 事例の説明: Alexnet 事前トレーニング モデルに基づくモデルの移行

4. 実践的な演習

第 5 章、リカレント ニューラル ネットワークと長期短期記憶ニューラル ネットワーク(RNN および LSTM)

1.リカレントニューラルネットワーク(RNN)と長短期記憶ニューラルネットワーク(LSTM)の基本原理

2. RNN と LSTM の違いと関係

3. 事例の説明:

   1) 時系列予測

   2) 配列間分類

4. 実践的な演習

第 6 章、時間畳み込みネットワーク (TCN)

1. 時間畳み込みネットワーク (TCN) の基本原理

2. TCN、1D CNN、LSTMの違いと関連性

3. 事例の説明:

   1) 時系列予測：新型コロナウイルス感染症流行予測

   2) シーケンス-シーケンス分類：人間の行動認識

4. 実践的な演習

第 7 章、敵対的生成ネットワーク

1. 敵対的生成ネットワーク GAN (敵対的生成ネットワークとは何ですか?なぜ敵対的生成ネットワークが必要ですか?敵対的生成ネットワークで何ができるのですか?)

2. 事例説明：ひまわり画像の自動生成

3. 実践的な演習

第 8 章、オートエンコーダ

1. オートエンコーダの構成と基本動作原理

2. 従来のオートエンコーダ (スタック オートエンコーダ、スパース オートエンコーダ、ノイズ除去オートエンコーダ、畳み込みオートエンコーダ、マスク オートエンコーダなど)

3. 事例説明: オートエンコーダに基づく画像分類

4. 実践的な演習

第 9 章、ターゲット検出 YOLO モデル

1. ターゲット検出とは何ですか? ターゲット検出とターゲット認識の違いとつながりは何ですか? YOLO モデルの仕組み

2. 事例解説：（1）ラベリングツールImage Labelerの機能紹介とデモ

(2) 事前トレーニングされたモデルを使用して、画像やビデオなどでリアルタイムのターゲット検出を実現します。

(3) 独自のデータセットをトレーニングする: 新型コロナウイルス感染症流行時のマスク着用の認識

3. 実践的な演習

第 10 章、U-Net モデル

1. セマンティック セグメンテーションの概要

2. U-Netモデルの基本原理

3. 事例説明: U-Net に基づくマルチスペクトル画像セマンティック セグメンテーション

第 11 章、ディスカッションと質疑応答

1. 文献を確認するにはどうすればよいですか? (Google Scholar、Sci-Hub、ResearchGate は使用できますか? 論文をサポートするデータとコードを見つけるにはどこに行けばよいですか?)

2. イノベーションのポイントをどのように改良して探索するか? (アルゴリズムレベルで独自の作業を行うことが難しい場合、実際の問題に基づいて革新的な点をどのように改良して探索できるでしょうか?)

3. 関連する学習教材の共有とコピー (書籍の推奨、オンラインコースの推奨など)

4. 後のディスカッションや Q&A を促進するために WeChat グループを設立します。

クリックすると原文が表示されます