Предистория. В условиях самоизоляции мы решили попробовать провести онлайн тренинг по анализу данных и машинному обучению в MATLAB, состоящий из 3х последовательных стримов с периодичностью раз в неделю. Более 1200 регистраций и много положительных отзывов. Однако, взаимодействие преподаватель-слушатель стало затруднительным в привычном виде, потому эту часть мы вывели в оффлайн.
Подумав малость, мы решили провести еще 4 таких обучения по другим популярным тематикам:
Мы запланировали вебинар, посвящённый реализации глубоких нейросетей на ПЛИС и СнК. Над задачей реализации глубоких сетей на встраиваемых системах бьются многие инженеры: объёмы вычислений велики, а ресурсы вычислителей ограничены. Мы расскажем о рабочем процессе развёртывания алгоритмов глубокого обучения, компьютерного зрения и обработки сигналов на ПЛИС из среды MATLAB, и продемонстрируем результат на платформе Xilinx Zynq UltraScale+.
В рамках вебинара мы также поговорим об общих вопросах создания, импорта и анализа нейросетей в MATLAB, автоматической генерации HDL-кода и аппаратных оптимизациях.
Мы будем проводить вебинар, посвященный организации моделирования крупных систем. В качестве примера большой системы можно привести комплексные системы управления (КСУ), боевые информационно-управляющие системы (БИУС), да и любые другие сложные математические модели, описывающие динамику крупной системы. Очевидно, что симуляции таких моделей занимают существенное вычислительное время. Ввиду специфики системного моделирования (модель является одним большим ОДУ) классические способы распределенных вычислений не являются применимыми. Поэтому была придумана технология распределенных симуляций High Level Architecture (IEEE Std 1516), про которую мы и хотим рассказать.
Инженеры Калифорнийского университета в Сан-Диего разработали метаматериал, повышающий разрешение световой микроскопии с 200 до 40 нанометров. Исследователи совместили технологию с алгоритмической обработкой в MATLAB.
Использование глубокого обучения и обработки изображений для реставрации и сохранения произведений искусства.
Когда в 2005 году Карола-Бибиана Шёнлиб начала защищать докторскую диссертацию по математике, одним из ее первых проектов была помощь в реставрации средневековой фрески в Вене. Когда-то скрытые стенами старой квартиры, остатки росписи были испорчены белыми пятнами – следствие демонтажа стен за несколько лет до этого. Вместо краски, растворителей или смолы Шёнлиб использовала алгоритмы реставрации. «Были специалисты из Венского университета, которые начали физическую реставрацию», – говорит Шёнлиб. «Затем мы перешли к цифровой реставрации».
В ходе конференции были представлены десятки докладов от инженеров-практиков модельно-ориентированного проектирования, показаны примеры решений практических задач, а также обзоры новейших технологий в разных инженерных областях.
ЦИТМ Экспонента приглашает вас обсудить проекты по внедрению искусственного интеллекта, побороться за награду в разных весовых категориях и узнать о векторе нашей индустрии. Расскажите о своей идее внедрения ИИ в промышленный процесс или продукт. Будет много категорий призов, много общения с единомышленниками и общая встреча для подведения итогов.
Принять участие могут любые научные, инновационные, производственные группы и коллективы, а также любые физические лица без ограничений по возрасту и количеству человек в команде.
В современном мире разработчикам релейной защиты и автоматики электроэнергетических систем все чаще требуются средства для ускорения и оптимизации процессов разработки и тестирования своих устройств. Возникают вопросы необходимости быстрого прототипирования алгоритмов работы устройств и их отладки, а также оперативного испытания уже готовых изделий перед прохождением сертификаций в соответствующих организациях.
Мы предлагаем ознакомиться с нашими материалами на эту тематику и узнать о прогрессивном подходе с предложенными решениями реализации.
Приглашаем вас принять участие в бесплатном вебинаре на тему: "Распределенная энергетика: быстрое прототипирование алгоритмов управления системы накопления энергии (СНЭ) на машинах реального времени РИТМ"
Система накопления энергии (СНЭ) – ключевой элемент интеллектуальных энергосистем. Алгоритмы управления СНЭ требуют тщательной отладки и тестирования, прежде чем можно будет гарантировать их надежную и безопасную работу во время эксплуатации. Полунатурное моделирование объектов распределенной генерации на КПМ РИТМ позволяет выявить ошибки на ранней стадии разработки.
На вебинаре мы рассмотрим процесс проектирования наземной навигационной системы: разработаем узлы приемо-передающего канала связи с учетом реального рельефа местности, отработаем сценарий движения транспортного средства по заданному маршруту.
Приглашаем на бесплатный вебинар, где будет будет рассказано о существующих подходах к организации предсказательного обслуживания.
Также будет продемонстрирована экспериментальная установка, состоящая из электродвигателя, передаточного механизма, нагрузки и системы датчиков. Установка моделирует режимы корректной работы, электрический и механические дефекты и их комбинаций.
На вебинар приглашаются разработчики систем связи и представители компаний производителей отечественного оборудования.
На вебинаре будут представлены референс дизайны протоколов профессиональной связи TETRA и DMR. Референс дизайны включают реализацию всего стека протоколов, начиная с физического уровня и заканчивая уровнем управления вызовами.
Будет продемонстрирована верификация с помощью передачи и приема данных со сторонних раций стандартов DMR и TETRA. Референс дизайны включают модели, адаптированные под генерацию HDL и Си кода, так что их легко можно использовать на различных аппаратных платформах в том числе - отечественного производства.
В ходе вебинара будет рассказано методах обучения с подкреплением применительно к различным задачам. Разберемся в каких случаях можно его применять. На простых примерах игровых сред будут разобраны основные алгоритмы, и их усовершенствования. Посмотрим простые среды LunarLander и Atari Breakout. Будет показаны примеры реализации алгоритмов и как в среде Matlab так и при помощи Python. Поговорим о плюсах и минусах алгоритмов и ресурсах необходимых для их обучения.
