צפו בסרטון מכנס MATLAB EXPO 2017

 

המשתתפים החליפו ביניהם רעיונות, שיתפו בהצלחות ובניסיון שהצטבר והתייעצו כיצד להתמודד עם אתגרים. וכמו תמיד – זה היה המקום להיפגש עם מומחים, שותפים עסקיים ועמיתים לתעשייה.

רשמים ותמונות מכנס:

MATLAB & Simulink ISRAEL EXPO 2017

Smart Way to Develop Smart Systems with MATLAB & Simulink

אשר התקיים בתאריך 21.5.17, מלון הילטון, תל אביב

תודה לכ-600 מהנדסים וחוקרים, מכ –300 חברות מובילות במשק ומוסדות מחקר ואקדמיה, אשר השתתפו בכנס המקצועי של חברת סיסטמטיקס בנושא סביבות הפיתוח MATLAB & SIMULINK לשנת 2017.

המשתתפים בכנס האזינו להרצאות בנושאים:

  • בניית מערכות אוטונומיות חכמות (מכוניות הנוהגות לבד, רחפנים, מערכות המפענחות לבדן מידע רפואי וכו')
  • עיבוד תמונה, ראיה ממוחשבת ו-Deep Learning
  • ניתוח מידע, התמודדות עם Big Data, למידת מכונה ו-Internet of Things

במליאת הכנס הרצו בכירי החברות MathWorks וסיסטמטיקס, לצד מומחים טכניים ונציגים מובילים מהתעשייה הישראלית שמשתמשים בכלים MATLAB & SIMULINK, וביניהם:

  • ריצ'רד רובנר, סמנכ"ל השיווק של חברת MathWorks מפתחת הכלים שהוצגו בכנס
  • עודד לבנטר, מנכ"ל סיסטמטיקס, מפיצת כלי MathWorks בישראל
  • אורן בוסקילה, סמנכ"ל מו"פ ואחד ממיסדי חברת הסטארטאפ הישראלית Innoviz, המפתחת מערכות LIDAR לכלי רכב אוטונומיים באמצעות כלי MathWorks ונחשבת למובילה עולמית בתחומה.

לאחר ארוחת הצהרים הכנס התפצל לשלושה מסלולים מקצועיים, וכל משתתף בחר את ההרצאות שעניינו אותו ביותר, על פי הנושאים המפורטים לעיל. בכל מסלול שולבו הדגמות של מומחים טכניים לשימוש בכלים, יחד עם סיפורי הצלחה של ארגונים המשתמשים בכלים לפיתוח ומחקר.

הנושאים מעניינים אותי – למדו אותי עוד…

למידע נוסף על ההרצאות והמסלולים, מלאו פרטים ונחזור אליכם בהקדם:

Please leave this field empty.

להתראות בכנסים ובסמינרים הבאים.

הרצאות מליאה והרצאות מסלולים שהועברו בכנס – שלחו אלינו את פרטיכם ונחזור אליכם עם מידע נוסף

How to Build an Autonomous Anything

How to Build an Autonomous Anything
Richard Rovner, Vice President of Marketing for MathWorks

Autonomous technology will touch nearly every part of our lives, changing the products we build and the way we do business. It’s not just in self-driving cars, robots, and drones; it’s in applications like predictive engine maintenance, automated trading, and medical image interpretation. Autonomy—the ability of a system to learn to operate independently—requires three elements:

• Massive amounts of data and computing power

• A diverse set of algorithms, from communications and controls to vision and deep learning

• The flexibility to leverage both cloud and embedded devices to deploy the autonomous technology

In this talk, Richard Rovner shows you how engineers and scientists are combining these elements, using MATLAB® and Simulink®, to build autonomous technology into their products and services today—to build their autonomous anything.

Bio:
Richard Rovner is Vice President of Marketing for MathWorks, the makers of MATLAB & Simulink. He leads the worldwide marketing organization of 330 people that is responsible for strategic planning, product and technology strategy, partner management, digital and field marketing, and corporate communications. In this role, Richard has the opportunity to see how MATLAB & Simulink users advance the state-of-the-art in numerous applications and industries. Before joining MathWorks in this role in 2001, Richard held senior marketing and sales positions at SAS. He spent the first part of his career as what is now called a data scientist, working for ten years developing applications in computer vision and image processing, machine learning, simulation, and statistical analysis. He has a B.S. in Applied Mathematics from Carnegie Mellon University and an M.S. in Computer Science from George Washington University.

Develop autonomous systems with Model-Based Design and Deep Learning

Develop autonomous systems with Model-Based Design and Deep Learning
Manuel Fedou, MathWorks

How do you deal with the complexity of systems that perceive, plan and act such as robots, drones or autonomous vehicles? MATLAB and Simulink accelerate the development of innovative autonomous systems by providing state-of-the art technologies such as Deep Learning, Computer Vision, and Sensor Fusion and that can be integrated into your designs.

חידושים בסביבת העבודה של MathWorks וסיסטמטיקס

חידושים בסביבת העבודה של MathWorks וסיסטמטיקס
רוני פאר, מנהל הפעילות הטכנית, סיסטמטיקס

בחברת MathWorks למעלה מ-2000 עובדים בתחום הפיתוח אשר שוקדים על תכנון והוספה של יכולות מתקדמות אשר מקלות על חיי המשתמשים בתוכנה. בשנתיים האחרונות בוצעו מספר קפיצות מדרגה בכל הקשור למהירות הריצה של התוכנה, שיפורים בממשק למשתמש, יכולות גרפיות ותוכנתיות חדשות, ממשק למערכות וכלי פיתוח חיצוניים, ניהול גרסאות וניהול תצורה מובנים, שילוב של אפליקציות ותמיכה בחומרות חיצוניות, ועוד ועוד.

בהרצאה זו נסקור את השינויים והיכולות המרכזיות שנוספו ל-MATLAB ו-Simulink, נראה כיצד שיפורים אלו מסייעים להקלה והאצה של תהליך הפיתוח ולמה לצפות בגרסאות עתידיות של התוכנה.

מסלול 1: פיתוח מערכות חכמות ואוטונומיות

מידול, סימולציה ובקרה עבור מערכת רחפן (Quadcopter)

מידול, סימולציה ובקרה עבור מערכת רחפן (Quadcopter)
אסף מוזס, מהנדס אפליקציה בתחום בקרה ומידול פיסיקלי, סיסטמטיקס

כלי הפיתוח של MathWorks מאפשרים מידול של מערכות פיסיקליות בתחומים רבים ומגוונים. סימולציה של המודלים הפיסיקליים מאפשרת בחינה מהירה של ביצועי המערכת, הרבה לפני בניית אב-טיפוס.
בהרצאה זו נראה כיצד מהנדסים, מדענים וחוקרים משתמשים בכלי סימולציה במטרה לקבל הבנה מעמיקה יותר בכל הנוגע למערכות מולטי-דיסציפלינריות מורכבות.
באמצעות דוגמא של רחפן (Quadcopter) נסקור בצורה מעמיקה את תהליך הפיתוח הכולל מידול, סימולציה ובקרה עבור המערכת:
ייבוא נתונים מתוכנית תיב"ם (3D CAD) לסביבת העבודה של Simulink, החייאת המודל והפעלתו, תכן חוגי בקרה ועוד.
את העקרונות שיוצגו בהרצאה זו תוכלו ליישם במערכות שהנכם מפתחים, ולקצר את שלבי העבודה.

Faster and safer system development with Model-Based Design

Faster and safer system development with Model-Based Design
Manuel Fedou, MathWorks

How many hardware prototypes do you go through when testing your software? Do you still rely on hand-coding for implementing algorithms? We will see how modelling, simulation and automatic code-generation help you save time and improve product quality. We will use a pick-and-place robot to explore system simulation, trajectory optimization, automatic code generation, and verification and validation workflows.

מסלול 2: Data Analytics

Data Analytics with MATLAB

Data analytics מאפשר לנו להפוך נפח גדול של מידע מורכב לכדי מידע שימושי שיכול לעזור לנו בתהליכים של תכנון הנדסי וקבלת החלטות. עם זאת, ביצוע אנליזה יעילה, הפקת תובנות מתוך מידע רב ויישום המידע במערכות שונות עלול להיות תהליך מאתגר וארוך.

בהרצאה זו נסקור את השלבים השונים בתהליך ה-data analytics ונכיר גישות וטכניקות ב-MATLAB כדי להתמודד עם האתגרים השונים בתהליך. נראה כיצד ניתן לגשת, לחקור ולנתח מידע המגיע ממקורות שונים, לבצע עיבוד מקדים למידע ולהציגו באופן ויזואלי, ולאחר מכן לבנות מודלים ולקבל תובנות מהמידע.

Tackling Big Data with MATLAB

Big Data הוא מושג רחב המתייחס לעבודה עם מערכי מידע גדולים או מורכבים, שבשל גודלם הרב קשה לנו לעבד את המידע ולבצע אנליזה בשיטות המסורתיות. בסביבת העבודה של MATLAB, big data הוא מידע שיהיה לנו קשה לעבד אותו בפונקציות הרגילות של MATLAB, המניחות שכל המידע נמצא בזיכרון בזמן העיבוד.

MATLAB מספקת לנו סביבה נוחה, פשוטה וניתנת להרחבה עבור עיבוד וניתוח של big data ממקורות שונים.
בהרצאה זו נלמד טכניקות לעבודה עם מידע שאינו מתאים לגודל הזיכרון, בדגש על יכולות חדשות מהגרסאות האחרונות. נכיר את טיפוס המשתנה החדש tall arrays המאפשר לעבוד עם big data באופן פשוט ע"י שימוש באותו סינטקס ואותן פונקציות MATLAB מוכרות.

נראה כיצד לגשת אל מידע המאוחסן בקבצים גדולים, מאגרי מידע או מערכת קבצים מסוג HDFS, כיצד להשתמש בטיפוס המשתנה החדש tall arrays, ולהשתמש ביכולות העיבוד המקבילי ב-MATLAB על מנת להאיץ ביצועים של תהליכי עיבוד מידע רב על גבי clusters, ומערכות Hadoop ו-Spark.

(MATLAB and the Internet of Things (IoT

המושג (IoT (Internet of Things מתייחס לחיבוריות של חפצים פיזיים (או "דברים") המשובצים באלקטרוניקה, תוכנה וחיישנים ורשת האינטרנט. מכשירים אלה יכולים לנהל תקשורת מתקדמת ביניהם ולבצע איסוף והחלפת מידע. המידע נאגר במאגרי מידע בענן, ולאחר מכן מתבצעים עיבוד ואנליזה של המידע על מנת להפיק ממנו תובנות ומידע בעל ערך.

ניתן לחלק את התהליך ל-3 חלקים עיקריים:
• רכישת המידע ע"י חיישני הקצה (EDGE NODES)
• איסוף ואגירת המידע במערכת איסוף הנתונים (DATA AGGREGATOR)
• ניתוח המידע ושימוש בו לצורך פיתוח אלגוריתמים, הצגתו ואף עדכון פעולת חיישני הקצה
בהרצאה זו נראה כיצד MATLAB מאפשר פיתוח מערכות IoT, איסוף מידע מחיישני IoT וביצוע אנליזות של המידע באמצעות מערכת ה-ThinkSpeak.

Machine Learning and Deployment Techniques for Sensor Data

Sensor Data הוא מידע המגיע חיישנים שונים כמו חיישני תאוצה, טמפרטורה ושדות מגנטיים. חיישנים אלה מצויים כיום בכל מכשיר סלולרי, והגישה אליהם פשוטה מאד ונוחה לכל משתמש. בכדי לעשות בהם שימוש נבון, יש להשתמש בשילוב של טכניקות לעיבוד אות ולמידת מכונה.

בסביבת MATLAB ניתן לרכוש את הנתונים, לסנן אותם, ללמוד ולמדל את התנהגות המערכת, ולבסוף להטמיע בתוך הרכיב הסופי, לשימוש ע"י משתמש הקצה.
בהרצאה זו נתחיל במבוא קצר לתחום למידת המכונה ונענה על השאלות: מה זה למידת מכונה? בשביל מה זה טוב? אילו סוגים של למידה קיימים ומהם האלגוריתמים הנפוצים בתחום?
לאחר מכן, נדגים כיצד ניתן לעשות שימוש באלגוריתמים ללמידת מכונה בכדי לסווג את הפעילות שמבצע המשתמש במכשיר הסלולרי, בהסתמך על מדידות חיישני התאוצה.
נכיר יכולות ואפליקציות חדשות ב-MATLAB ההופכות את תהליך הפיתוח ליעיל ומהיר יותר:
Classification learner, Regression learner, Bayesian optimization

לבסוף, נראה כיצד ניתן להשתמש ביכולות לייצור קוד אוטומטי על מנת לבצע הטמעה של מודל הסיווג שנכתב ב-MATLAB ישירות לרכיבי חומרה.

לצפייה בסרטון מוקלט: Data Analytics באמצעות MATLAB

מסלול 3: עיבוד תמונה ו-Deep Learning

עיבוד תמונה וראיה ממוחשבת – חידושים בגרסאות ה-MATLAB האחרונות

עיבוד תמונה וראיה ממוחשבת – חידושים בגרסאות ה-MATLAB האחרונות
רועי פן, מהנדס אפליקציה בתחום עיבוד תמונה וראייה ממוחשבת, סיסטמטיקס
מיכאל דוננפלד, מהנדס אפליקציה בתחום פתרונות הטמעת תוכנה, סיסטמטיקס

במהלך השנים נוספים עוד ועוד אלגוריתמים ונוספות עוד ועוד יכולות לתוך ארסנל כלי עיבוד התמונה והראיה הממוחשבת שבסביבת MATLAB.
בהרצאה נסקור את האלגוריתמים והיכולות אשר נוספו בגרסאות האחרונות בתחומים אלה, ונדגים את השימוש בהם. בין היתר, נדון באלגוריתמי רגיסטרציה, סגמנצטיה וגילוי אובייקטים, יישומונים (Apps) נוחים לשימוש, המרה אוטומטית לקוד C של קוד MATLAB מעולם העקיבה, ואפשרות להאיץ ביצועים של אלגוריתמי עיבוד תמונה וראיה ממוחשבת באמצעות כרטיס המסך של המחשב (GPU). ההרצאה מיועדת לכל העוסקים בתחום עיבוד התמונה והראיה הממוחשבת, המעוניינים ללמוד על היכולות החדשות בסביבת MATLAB בתחומים אלה.

Deep Learning – מבוא, כיצד עושים זאת בסביבת MATLAB, ויכולות חדשות

Deep Learning – מבוא, כיצד עושים זאת בסביבת MATLAB, ויכולות חדשות
רועי פן, מהנדס אפליקציה בתחום עיבוד תמונה וראייה ממוחשבת, סיסטמטיקס

תחום הלמידה העמוקה משותף למגוון רחב מאד של יישומים, והוא מאפשר פתרון בעיות מורכבות בצורה מהירה ואיכותית. מהנדסים וחוקרים רבים ברחבי העולם עושים שימוש בלמידה עמוקה לצורך מציאת תבניות בתמונות, זיהוי דיבור, עיבוד טקסט ועוד. בהרצאה נסביר בקצרה מהי התיאוריה העומדת מאחורי תחום הלמידה העמוקה, וכיצד ניתן להשתמש בסביבת MATLAB בצורה יעילה בתחום זה לצורך פיתוח יישומים בעולם האמיתי. נתמקד בתחום עיבוד התמונה והראיה הממוחשבת ונראה כיצד ניתן לבנות רשת ולאמן אותה בעזרת מאגר של תמונות, כיצד מבצעים Transfer Learning וכיצד ניתן לשלב גישות שונות של לימוד מכונה ולמידה עמוקה, על מנת לאפשר למשתמש את החופש המרבי בבואו למצוא את הפתרון המיטבי עבורו. כמו כן, נסקור יכולות חדשות של סביבת MATLAB בתחום, כמו גילוי אובייקטים בגישת R-CNN (וכן Fast R-CNN ו-Faster R-CNN), התממשקות לחבילות תוכנה חיצוניות, ואימון בעזרת מספר GPUs או בעזרת ה-CPU בלבד. ההרצאה מיועדת לכל העוסקים בתחום זה, וכמובן לכל אלו המעוניינים להכיר אותו ולהשתלב בו.

Feedback