הצטרפו לקבוצות שלנו והישארו מעודכנים:
קהל יעד:
- מהנדסים, מפתחים וחוקרים בתחום מערכות אוטונומיות
- כל משתמשי MATLAB המעוניינים להיחשף או להרחיב את הידע שלהם בפיתוח מערכות אוטונומיות
- מפתחים, מהנדסים וחוקרים מהתעשייה הרפואית, הביטחונית, הרכב והייצור
- חוקרים באקדמיה
- כלל העוסקים בתחום ה- Machine Learning וה-Deep Learning
הזמנה ליום עיון:
Model-Based Engineering of Autonomous Systems with MATLAB & Simulink
28.10.19 – 08:30-12:30 מלון חוף הכרמל, בניין אלמוג רח' דוד אלעזר 10, חיפה
30.10.19 – 08:30-12:30 מלון לאונרדו בוטיק, אופנהיימר 2, רחובות
יום עיון טכני, ללא עלות, למהנדסים ומפתחים – בו תוכלו ללמוד על תכנון, בדיקה ויישום של מערכות אוטונומיות ומערכות תומכות למערכות אוטונומיות.
על יום העיון:
מערכת אוטונומית הינה מערכת אשר מתפקדת בצורה עצמאית לחלוטין או בצורה מפוקחת (supervised), ופועלת בתנאי אי ודאות, בסביבה לא ידועה ודינמית, ובמקרים רבים גם לא צפויה מראש. מערכות אוטונומיות עשויות לצבור ידע חדש או להתאים עצמן לסביבה המשתנה בכדי להשלים את ייעודן. בכדי לעמוד במשימתן, מערכות אוטונומיות יכולות לרכוש מידע מהסביבה בה הן נמצאות, לנוע בצורה עצמאית בסביבתן (וירטואלית או מציאותית כמובן), להימנע ממצבים מסוכנים, ולפעול למשך תקופה ארוכה ללא התערבות אדם.
תחום המערכות האוטונומיות משותף למגוון רחב מאד של יישומים. מהנדסים וחוקרים רבים ברחבי העולם מפתחים מערכות אוטונומיות אשר פועלות בתחום הרכב (רכבים ומערכות עזר לנהג), מערכות בטחוניות (מל"טים, Drones), ייצור (רובוטים, קווי ייצור), מערכות רפואיות (רובוטים, מערכות עזר לרופא ולחולה), ועוד. הגישות והשיטות שנציג מתאימות לאנשים מתעשיות שונות, ואנו מזמינים אתכם להצטרף, ללמוד ולשתף מהידע שלכם ושל עמיתיכם לתעשייה.
חברות ומהנדסים רבים נעזרים בכלי הפיתוח של MathWorks, כדוגמת MATLAB & Simulink בכדי לתכנן, לפתח ולייעל מערכות אוטונומיות ביישומים השונים. ביום עיון טכני זה תוכלו לראות כיצד ניתן לפתח מערכות אלו הלכה למעשה, לראות דוגמאות יישומיות למערכות מסוג זה וכן להיחשף למגוון רחב של יישומים, כלי פיתוח וכמובן עמיתים לתעשיה.
עם הידע שתרכשו ביום עיון זה תוכלו לשוב למשרד ולהתחיל לעבוד בצורה יעילה ואיכותית יותר. כמו כן, תרכשו רקע רחב יותר בכלים אשר הפכו לסטנדרט בתעשייה ויוכלו לשרת אתכם בעבודתכם היומיומית.
[ סדר יום ]
הערה:
ההשתתפות ביום העיון הינה ללא עלות, אך מותנית בהרשמה מראש.
יצירת קשר
08:30 | התכנסות ורישום |
09:00 | Demystifying Deep Learning: A Practical Approach in MATLAB
רועי פן, מהנדס יישומי עיבוד תמונה, ראיה ממוחשבת ולמידה עמוקה, סיסטמטיקס |
10:30 | הפסקת קפה |
11:00 | שימוש בגישת Model-Based Design לתכנון מערכת אוטונומית
אסף מוזס, מהנדס אפליקציה בתחום אווירונאוטיקה ובקרה, סיסטמטיקס |
12:30 | סיום משוער |
[ פירוט הרצאות ]
שימוש בגישת Model-Based Design לתכנון מערכת אוטונומית
אסף מוזס, מהנדס אפליקציה בתחום אווירונאוטיקה ובקרה, סיסטמטיקס
גישת Model-Based Design של חברת MathWorks, המבוססת על כלי MATLAB & Simulink, כוללת יכולות רבות המוכוונות לפיתוח של מערכות אוטונומיות, ומאפשרת סימולציה, תכנון ובחינה של מערכות אוטונומיות בצורה פשוטה וברמות שונות. גישה זו מאפשרת לחסוך זמן רב בהליך הפיתוח והגעה לאב-טיפוס בצורה יעילה ומהירה.
בהרצאה זו נסקור מספר יכולות אשר מאפשרות להפוך את המערכת המתוכננת למערכת אוטונומית המקבלת החלטות באופן עצמאי:
- Platform: מידול מערכת המשמשת כבסיס של סביבת הפיתוח
- Sense: הגדרת חיישנים שונים וביצוע היתוך-מידע של הנתונים המתקבלים מהם
- Perception: יכולות תפיסה והבנה של הסובב את המערכת
- Plan: תכנון מסלול אופטימלי באזור העבודה האפשרי
- Control: בקרת מסלול תנועת המערכת
- Connect: התממשקות המערכת הממודלת עם סביבות חיצוניות
נראה כיצד היכולות השונות פועלות אחת לצד השניה וכיצד הן משתלבות יחד עם מתודולוגיית ה- Model-Based Design להשלמת התמונה המלאה.
Demystifying Deep Learning: A Practical Approach in MATLAB
רועי פן, מהנדס יישומי עיבוד תמונה, ראיה ממוחשבת ולמידה עמוקה, סיסטמטיקס
Deep learning can achieve state-of-the-art accuracy in many humanlike tasks such as naming objects in a scene or recognizing optimal paths in an environment.
The main tasks are to assemble large data sets, create a neural network, to train, visualize and evaluate different models, using specialized hardware – often requiring unique programming knowledge. These tasks are frequently even more challenging because of the complex theory behind them.
In this lecture, we’ll demonstrate new MATLAB features that eliminate the low-level programming and that make it easy to:
- Manage extremely large sets of images
- Visualize networks and gain insight into the black box nature of deep networks
- Perform classification and pixel-level semantic segmentation on images
- Import training data sets from networks such as GoogLeNet and ResNet
- Import and use pre-trained models from TensorFlow and Caffe
- Speed up network training with parallel computing on a cluster
- Automate manual effort required to label ground truth
- Automatically convert a model to CUDA to run on GPUs
Examples will be from image processing, computer vision and signal processing domains.