Workflow di IA end-to-end
Utilizzare il Deep Learning in attività end-to-end, tra cui la definizione dei requisiti, la preparazione dei dati, l'addestramento neurale profondo, la compressione, il test e la verifica della rete, l'integrazione di Simulink e la distribuzione
Utilizzare Deep Learning Toolbox™ nei workflow end-to-end che includono la definizione dei requisiti, la preparazione dei dati, l'addestramento neurale profondo, la compressione, il test e la verifica della rete, l'integrazione con Simulink e la distribuzione.
Argomenti
- Battery State of Charge Estimation Using Deep Learning
Define requirements, prepare data, train deep learning networks, verify robustness, integrate networks into Simulink, and deploy models. (Da R2024b)
- PASSAGGIO 1: Define Requirements for Battery State of Charge Estimation
- PASSAGGIO 2: Prepare Data for Battery State of Charge Estimation Using Deep Learning
- PASSAGGIO 3: Train Deep Learning Network for Battery State of Charge Estimation
- PASSAGGIO 4: Compress Deep Learning Network for Battery State of Charge Estimation
- PASSAGGIO 5: Test Deep Learning Network for Battery State of Charge Estimation
- PASSAGGIO 6: Integrate AI Model into Simulink for Battery State of Charge Estimation
- PASSAGGIO 7: Generate Code for Battery State of Charge Estimation Using Deep Learning
- Verify an Airborne Deep Learning System
This example shows how to verify a deep learning system for airborne applications and is based on the work in [5,6,7], which includes the development and verification activities required by DO-178C [1], ARP4754A [2], and prospective EASA and FAA guidelines [3,4]. (Da R2023b)
