פירוט התכנים:

האצת ביצועי קוד MATLAB ואיכותו ע”י תכנות נכון
כתבתם קוד המבצע בדיוק מה שרציתם, אבל הוא רץ לאט מדי? נתקלתם בהודעות שגיאה לגבי שימוש בזיכרון?

בהרצאה זו נראה כיצד ניתן לזהות צוארי בקבוק בקוד ונלמד טכניקות ודגשים לכתיבת קוד MATLAB יעיל על מנת לשפר את ביצועי הריצה של הקוד. כמו כן, נראה כיצד ניתן לעבוד בקלות וביעילות עם קבצים ומידע הגדולים מדי לזיכרון, ונראה כיצד להפוך את הקוד לקריא וקל לתחזוק כך שנוכל לשתף אותו עם מתכנתים אחרים

האצת אלגוריתמים באמצעות שימוש ב–GPU
כרטיס המסך, המצוי בכל מחשב, הינו בעל יכולת חישובית גבוהה ביותר אשר רוב הזמן אינה מנוצלת על ידי המשתמש. מזה מספר שנים ניתן להאיץ אלגוריתמים ב-MATALB ובמספר כלים משלימים על ידי שימוש בכרטיסים גרפיים של חברת nVIDIA, ואף ניתן לעשות שימוש במספר כרטיסי מסך במקביל. בהרצאה זו נראה כיצד לנצל את יכולות כרטיס המסך כמעט מבלי לשנות את קוד ה- MATLAB המקורי !

עיבוד מקבילי בסביבת MATLAB
עיבוד מקבילי בסביבת MATLAB מאפשר פיתרון בעיות בעלות סיבוכיות גבוהה ומרובות נתונים, ויכול להתבצע ע”י שימוש במספר ליבות או על גבי אשכול מחשבים (cluster) מקומי או בענן. בהרצאה זו נראה כיצד לנצל את משאבי המיחשוב הזמינים באמצעות מיקבול אפליקציות MATLAB בקלות ע”י שימוש בלולאות for מקבילות, סוגי מערכים מיוחדים ואלגוריתמים ממוקבלים, וכך להאיץ את ביצועי הקוד ע”י השקעה מינימלית בקוד.

פירוט תכנים:

Introduction to Deep Learning
Neural networks, born in the 40s, revived in the 80s, and neglected in the 90s, are now making their second Artificial Intelligence comeback, and this time they are

winning.

Coined by the much cooler name Deep Learning, these algorithms are beating classical Machine Learning algorithms by a significant margin in scores of

AI challenges. All the while, Deep Learning theoreticians are lagging behind, still having no clue how come it works so well.

And the best thing still – these algorithms are pretty simple to understand, and the software infrastructure available to run them at scale is outstanding and supported by a huge developers community.

In this talk I will give an introductory talk about Deep Learning and how to get started with it.

יישומי Deep Learning בעולם המעשי

ישנם סוגים רבים של פרויקטים, מחקרים ודוגמאות לשימוש באלגוריתמים של Deep Learning לצורך ביצוע פעולות ליישומי זיהוי תמונות, עיבוד שפות, מחקר תרופות, זיהוי דיבור ועוד.

זיהוי אובייקטים בתוך תמונה מאפשרת בנייה של מערכות מתקדמות, כגון רכבים אוטונומיים, רובוטים עצמאיים, חיפוש מבוסס תמונות ועוד. עם זאת, השילוב בין אלגוריתמים של לימוד מכונה יחד עם שיטות ללמידה עמוקה עלולים להיות קשים ללימוד, הערכה והשוואה.

בהרצאה זו נראה כיצד ניתן, בעזרת MATLAB, להתגבר על אתגרים אלו בשלבי הבניה של מערכת לזיהוי עצמים, תוך שימוש באלגוריתמים של למידה עמוקה, לימוד מכונה

ועיבוד תמונה:

• לימוד ואימון של מודלים מתוך מאגרי תמונות
• לימוד של רשתות נוירונים עמוקות
• ביצוע Transfer Learning מתהליכי למידה שבוצעו בעבר, לצורך ביצוע משימות חדשות
• שילוב של אלגוריתמים של לימוד מכונה יחד עם למידה עמוקה והשוואה ביניהם
• יכולות חדשות בגרסת R2016b, כגון ביצוע Localization למיקום עצמים בתוך תמונות.

פירוט תכנים:

פיתוח אלגוריתמים ואבי טיפוס למולטי סנסורים

בהרצאה זו נציג תהליך לדוגמא לפיתוח אלגוריתמי סיוע לנהג (ADAS) מבוססי מספר אמצעי חישה בעזרת MATLAB. המערכת שנציג כוללת חיישנים של מכ”מ ושל ראייה, וע”י השילוב בין שניהם (Fusion), נראה כיצד ניתן:

• לקבל תובנות על פעולת המערכת ע”י הרצה חוזרת וניתוח המידע המוקלט
• הפחתת הזמן “על הכביש” באמצעות בנייה של מידע סינטטי לאלגוריתמי בדיקה
• האצת תהליך יישום האלגוריתם באמצעות טכנולוגיה לייצור קוד

השילוב בין MATLAB ו–ROS למערכות אוטונומיות

מערכת ההפעלה הרובוטית (ROS) צוברת פופולריות רבה בפיתוח מערכות אוטונומיות. בעזרת הממשק הקיים בין MATLAB ל-ROS, ניתן לרכוש מידע מחיישנים בסביבת ROS, ולנתח במהרה ובקלות את המידע בסביבת MATLAB, אשר מאפשרת פיתוח אלגוריתמים וויזואליזציה של המידע.

בעזרת ה-Robotics System Toolbox בסביבת MATLAB ו-Simulink, ניתן לפתח וליישם אלגוריתמים לתכנון מסלול, ראיה ממוחשבת ובקרה, ולהטמיע אותם בסביבת ROS.

בהרצאה זו נראה כיצד השילוב בין MATLAB ל-ROS יכול לסייע בפיתוח מערכות אוטונומיות.

מתחילים מהסוף: בחינה של מערכת ADAS בזמן-אמת

עבדנו מספר ימים או חודשים ופיתחנו אלגוריתם חדשני שיסייע למערכות אוטונומיות להימנע ממצבים מסוכנים. ומה עכשיו? כיצד אנו יודעים שהאלגוריתם הזה יפעל כפי שתוכנן, בתנאי פעולה אמיתיים של המערכת, בסביבה דינמית ומשתנה? כיצד אנו יכולים לוודא להטמיע אותו במערכת האמיתית? האם יש לנו מערכת אמיתית שאנו יכולים לבחון אותה למשך מספר רב של שעות או ימים?

בהרצאה זו ננסה לענות על כל השאלות העומדות בפני אנשי האלגוריתמים. בעזרת דוגמא של מערכת בלימת חירום עצמאית, נראה את השלבים הבאים:

• תכנון המערכת בסביבת MATLAB ו-Simulink
• בדיקה של תרחישים שונים בסימולציה
• מעבר מהיר לאב-טיפוס באמצעות יצירת קוד
• וריפיקציה של המערכת בעזרת אוטומציה של בדיקות HIL

פירוט תכנים:

Sensor analytics

חיישני תאוצה, טמפרטורה, שדות מגנטיים, ועוד – מצויים כיום בכל מכשיר סלולרי, והגישה אליהם פשוטה מאד ונוחה לכל משתמש. בכדי לעשות בהם שימוש נבון, יש להשתמש בשילוב של טכניקות לעיבוד אות ו-Machine Learning. 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 נדגים כיצד ניתן לעשות שימוש באלגוריתמים ללימוד מכונה בכדי לסווג את הפעילות שמבצע המשתמש במכשיר הסלולרי, בהסתמך על מדידות חיישני התאוצה. נעשה שימוש במספר אלגוריתמים מסווגים, כגון עצי החלטה, SVM ורשתות נוירונים.

ולסיום, נראה כיצד ניתן להשתמש ביכולות לייצור קוד אוטומטי על מנת לבצע הטמעה של מודל השיערוך שנכתב ב-MATLAB ישירות לרכיבי חומרה – כדוגמת Arduino או כל רכיב Embedded אחר.

Data analytics for Defense industries

חברות המפתחות ציוד תעופתי ותעשייתי לרוב שומרות כמויות אדירות של נתונים לגבי אופן פעולת המכשירים והמכונות, מתוך כוונה שבעתיד ניתן יהיה להפיק ממנו מידע חשוב. עם זאת, לצורך בניה של מודלים רובוסטיים ומדויקים לחיזוי הפעילות, נדרש שילוב נדיר של ניסיון מקצועי ויכולות לעיבוד סטטיסטי.

בהרצאה זו נציג טכניקות ללימוד מכונה בסביבת MATLAB המאפשרות לחזות את משך החיים הנותר של הציוד. בעזרת נתונים המגיעים ממדידות אמיתות, נחקור את תהליכי ייבוא המידע, עיבוד ראשוני שלו, וסיווג שלו. נראה כיצד בוחרים את ה-features וכיצד משווים בין מספר מודלים של לימוד מכונה. נציג כיצד ניתן לעשות שימוש ב-MATLAB לצורך בניית אלגוריתמים לחיזוי (פרוגנוסטיקה) וכיצד מעבירים אותם לעולם ה-production.

בתהליכים שיוצגו בהרצאה זו, חברות יוכלו לשפר את אמינות הציוד שלהם, ולפתח מודלים ושירותים מתקדמים יותר מהקיים היום.

MATLAB and IoT

The term Internet of Things is increasingly used to describe the interconnectedness of embedded devices and the Internet. These devices can communicate with each other and often collect sensor data, which is stored in the cloud. This data is then processed and analyzed in order to draw valuable information.

IoT solutions are created for various applications such as monitoring environmental data, health monitoring, control of household appliances, or projects in the maker movement.

This session describes how MATLAB supports both the development of IoT systems and the collection and analysis of IoT sensor data, using the ThingSpeak system.

פירוט תכנים:

Automatic C Code Generation using MATLAB Coder

In this session, we demonstrate the workflow for generating readable and portable C code from your MATLAB algorithms using MATLAB Coder. Using the command line approach or the graphical project management tool, you can introduce implementation requirements to your algorithms written in MATLAB and generate readable source code, or a standalone compiled executable or a library that can be shared across your organization. We will also show how you can automatically generate MEX functions that can be used to verify the behavior of the generated code back in MATLAB or to accelerate computationally intensive portions of your MATLAB code by running it at compiled speed.

בנייה ופריסה של ספריות באמצעות MATLAB Compiler SDK

ה- MATLAB Compiler SDK הינו כלי המתבסס על טכנולוגיית ה-MATLAB Compiler ומאפשר להטמיע אלגוריתמים שנכתבו בסביבת מטלב, לתוך סביבות תכנה כגון: JAVA, .NET, C++, Python.

בהרצאה זו נראה דוגמה ליצירת shared library מתוך קוד MATLAB באמצעות ה-MATLAB Compiler SDK.

כמו כן, נראה כיצד לשלב את הספרייה בסביבת תוכנה חיצונית.

תכני הסמינר :

Physical Layer Modelling of Wireless Systems

(LTE, WLAN, 5G)

• End to end simulation
• Modelling baseband and RF front-end
• Signal generation & analysis
• Golden reference verification
• Modelling 5G candidate technologis
• Working with Real Signals
• Capture and Analysis of real signals (LTE, WLAN)
• Working with Instruments
• SDR capabilities with MATLAB

Methodology for Designing and Modelling Mixed-signal Components

• Rapid simulation of multi-domain systems
• Anticipating and validating transistor-level effects at the system-level
• Example applications: ADC, PLL, SMPS

Modelling Multi-Antenna Communications Systems

• Modelling MIMO and Beamforming in LTE and WLAN
• 5G scenario modelling
• Integrating custom antennas and array geometries

Creating Behavioural Models and Test Stimuli for Verification

• Exporting analog and digital models to SystemVerilog/DPI-C components
• Linking MathWorks tools to Cadence Virtuoso AMS Designer

קישור מובנה בין תכן האלגוריתם, מימושו והמוצר הסופי

• ייצור קוד RTL עבור אלגוריתמים דיגיטליים, ואופטימיזציה של מהירות ושטח על-גבי החומרה הסופית
• וריפיקציה של קוד RTL באמצעות קו-סימולציה ואינטגרציה עם סביבות UVM
• תמיכה בפיתוח SoC – תכן משולב של חומרה ותוכנה