Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Lingkungan Pembelajaran Mendalam di MATLAB dan Verifikasi GPU
- Arsitektur dan alur kerja Deep Learning Toolbox
- Menguji ketersediaan GPU, kompatibilitas CUDA/cuDNN, serta konfigurasi driver
- Mengatur penggunaan prosesor paralel, manajemen memori, serta dasar-dasar penggunaan
gpuArray - Latihan 1: Memverifikasi konfigurasi lingkungan dan menjalankan skrip pembelajaran mendalam pertama yang menggunakan GPU
Elemen-Elemen Inti Pembelajaran Mendalam di MATLAB
- Lapisan jaringan saraf: lapisan konvolusi, pooling, normalisasi batch, dropout, residual, dan lapisan padat
- Konsep dasar mengenai
dlarray,dlnetwork, serta cara membuat alur pelatihan khusus - Fungsi kehilangan, algoritma optimisasi (Adam, SGD, RMSProp), dan strategi penjadwalan laju pembelajaran
- Cara memvisualisasikan arsitektur jaringan, distribusi bobot, serta aliran gradien untuk tujuan debugging
- Latihan 2: Membangun
dlnetworkkhusus secara manual dan mendeteksi masalah interaksi antarlapisan
Merancang CNN untuk Pengenalan Gambar
- Pola perancangan CNN: ekstraksi fitur, hierarki spasial, serta konsep receptive field
- Pemanfaatan pembelajaran transfer dengan memanfaatkan jaringan pra-terlatih seperti ResNet, EfficientNet, dan MobileNet
- Pembuatan alur peningkatan kualitas data menggunakan
imageDatastore,augmentedImageDatastore, serta transformasi khusus lainnya - Latihan 3: Melatih CNN dari awal pada dataset pengenalan gambar tertentu dengan penerapan teknik augmentasi data
Otomatisasi Penandaan Data dan Pembuatan Alur Kerja yang Dapat Direproduksi
- Pemanfaatan alat pembelajaran aktif serta teknik penandaan data semi-terawasi di MATLAB
- Cara mengimpor serta mengekspor hasil penandaan dalam format COCO, Pascal VOC, YOLO, atau CSV
- Pembuatan skrip persiapan data yang dapat dikontrol versinya serta disesuaikan secara parameterisasi
- Latihan 4: Mengotomatisasi proses penandaan data dan mengintegrasikannya ke dalam skrip pelatihan
Pelatihan Skala Besar: Multigpu, Cloud, dan Kluster Komputasi
- Strategi pelatihan multigpu: penyesuaian ukuran batch, akumulasi gradien, serta teknik paralelisasi data
- Pelatihan terdistribusi menggunakan MATLAB Parallel Server maupun kluster lokal
- Alur kerja pelatihan di cloud (AWS, Azure, GCP) melalui profil komputasi cloud MATLAB
- Teknik monitoring proses pelatihan, penyimpanan checkpoint, serta optimisasi parameter hyper
- Latihan 5: Memperbesar skala model ke konfigurasi multigpu/cloud dan menganalisis kinerja sistem
Interoperabilitas Antarframework serta Pertukaran Model
- Cara mengimpor model Caffe maupun TensorFlow/Keras yang telah terlatih ke dalam MATLAB
- Pengesahan tingkat akurasi antara model, serta penyesuaian arsitektur agar selaras dengan standar kerja MATLAB
- Proses ekspor model ke format ONNX, TensorFlow, atau Core ML untuk penggunaan lintas platform
- Latihan 6: Mengimpor model TF-Keras, melakukan fine-tuning di MATLAB, lalu mengekspornya dalam format ONNX
Proyek Akhir dan Kesiapan Produksi Model
- Pembentukan alur kerja menyeluruh: pengambilan data, pelatihan, validasi, optimisasi, hingga proses deploy
- Teknik kompresi model: pruning, kuantisasi, serta pembangunan kode dengan GPU Coder
- Best practice pembuatan replikabilitas hasil: pencatatan data, penggunaan seed tetap, dan berbagi aplikasi pembelajaran mendalam di MATLAB
- Proyek Akhir: Membangun, melatih, mengoptimalkan, serta mengekspor sistem pengenalan gambar lengkap yang disesuaikan dengan kebutuhan bidang spesifik Anda
Jika ingin meminta garis besar materi pelatihan khusus sesuai kebutuhan, silakan hubungi kami.
Persyaratan
- Pemahaman yang memadai terhadap MATLAB (sintaks, alur kerja pemrograman, serta penggunaan toolbox)
- Tidak diperlukan pengalaman sebelumnya dalam bidang ilmu data maupun pembelajaran mendalam
- Harus memiliki akses ke workstation lokal yang dilengkapi GPU (kompatibel dengan CUDA) atau kluster cloud yang telah disetujui untuk praktik langsung
Target Peserta
- Pengembang dan Insinyur Perangkat Lunak
- Insinyur Riset serta Para Ahli di Bidang Tertentu
- Tim yang sedang melakukan transisi dari pemrosesan sinyal/gambar konvensional ke alur kerja berbasis AI
14 Jam
Testimoni (2)
Pelatihan ini terorganisir dengan baik dan direncanakan secara rapi, sehingga saya keluar dari pelatihan ini dengan pengetahuan yang sistematis dan gambaran yang baik tentang topik-topik yang kita bahas.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kursus - Deep Learning with TensorFlow 2
Diterjemahkan Mesin
Saya sangat menyukai bagian akhir di mana kita menghabiskan waktu untuk bermain dengan CHAT GPT. Ruangan tidak disiapkan dengan baik untuk ini—sebaiknya menggunakan beberapa meja kecil agar kita bisa berkumpul dalam kelompok-kelompok kecil dan melakukan brainstorming, daripada satu meja besar.
Nola - Laramie County Community College
Kursus - Artificial Intelligence (AI) Overview
Diterjemahkan Mesin
