Applicazioni di Deep Learning
Con solo poche righe di codice MATLAB, puoi integrare le tecniche di Deep Learning nelle tue applicazioni per la progettazione di algoritmi, la preparazione e l’etichettatura di dati oppure per la generazione di codice e la distribuzione su sistemi embedded.
Elaborazione di segnali
Acquisizione e analisi di segnali e dati di serie storiche
Visione artificiale
Acquisizione, elaborazione e analisi di immagini e video
Deep Reinforcement Learning
Definizione, addestramento e distribuzione dei criteri di Reinforcement Learning
Radar
Uso di tecniche di intelligenza artificiale per le applicazioni radar
LIDAR
Uso di tecniche di intelligenza artificiale per le applicazioni LIDAR
Intelligenza artificiale per sistemi wireless
Applicazione di tecniche di IA alle applicazioni di comunicazione wireless
Perché usare MATLAB per il Deep Learning?
MATLAB facilita il passaggio dai modelli di Deep Learning a sistemi basati sull’intelligenza artificiale (IA) del mondo reale.
Pre-elaborazione dei dati
Utilizza applicazioni interattive per etichettare, tagliare e identificare feature importanti e algoritmi integrati per automatizzare il processo di etichettatura.
Addestramento e valutazione di modelli
Inizia con una serie completa di algoritmi e modelli predefiniti, quindi crea e modifica i modelli di Deep Learning utilizzando l’app Deep Network Designer.
Simulazione di dati
Testa i modelli di Deep Learning includendoli in simulazioni Simulink a livello di sistema. Testa degli scenari limite, difficili da testare sull’hardware. Scopri l’impatto che i modelli di Deep Learning hanno sulle prestazioni del sistema nel suo complesso.
Distribuzione di reti addestrate
Distribuisci il tuo modello addestrato su sistemi embedded, enterprise, dispositivi FPGA o sul Cloud. Genera codice da librerie ARM®, Intel® e NVIDIA® per creare modelli distribuibili con velocità di inferenza ad alte prestazioni.
Integrazione con framework basati su Python
MATLAB consente di accedere alle ricerche più recenti indipendentemente dalla posizione, semplicemente importando modelli Tensorflow e usando le funzionalità ONNX. Per iniziare, è possibile utilizzare una libreria di modelli predefiniti come NASNet, SqueezeNet, Inception-v3 e ResNet-101. Richiamare Python da MATLAB e viceversa consente di collaborare con i colleghi che usano risorse open source.
Tutorial ed esempi sul Deep Learning con MATLAB
Stai cercando di muovere i primi passi nel mondo del Deep Learning o sei alla ricerca di un workflow end-to-end? Dai un’occhiata a queste risorse MATLAB che ti potranno essere utili per il tuo prossimo progetto.
Richiedi una versione di prova gratuita
30 giorni di prova a tua disposizione.
Deep Learning Toolbox
Progetta, addestra e analizza reti di Deep Learning.
Code-Along
Impara con un esperto di Deep Learning.
