La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Preprocesamiento de datos

Administre y preprocese datos de secuencias y en tablas para deep learning.

El preprocesamiento de datos suele ser el primer paso del flujo de trabajo de deep learning para preparar datos en bruto en un formato que la red pueda aceptar. Por ejemplo, puede preprocesar datos para reforzar las características deseadas o reducir artefactos que pueden sesgar la red. Por ejemplo, puede normalizar o eliminar ruido de los datos de entrada.

Puede preprocesar una entrada de secuencia mediante operaciones como la normalización con almacenes de datos y las funciones disponibles en MATLAB^® y Deep Learning Toolbox™. Otras toolboxes de MATLAB ofrecen funciones, almacenes de datos y apps para etiquetar, procesar y aumentar datos de deep learning. Utilice herramientas especializadas de otras toolboxes de MATLAB para procesar datos para dominios como el procesamiento de imágenes, texto y señales.

Apps

Video Labeler	Label video for computer vision applications
Ground Truth Labeler	Label ground truth data for automated driving applications
Signal Labeler	Etiquete atributos de señal, regiones y puntos de interés y extraiga características (desde R2019a)

Funciones

`transform`	Transform datastore (desde R2019a)
`combine`	Combine data from multiple datastores (desde R2019a)
`TransformedDatastore`	Datastore to transform underlying datastore (desde R2019a)
`CombinedDatastore`	Datastore to combine data read from multiple underlying datastores (desde R2019a)
`padsequences`	Pad or truncate sequence data to same length (desde R2021a)
`minibatchqueue`	Create mini-batches for deep learning (desde R2020b)

Temas

Import Data into Deep Network Designer
Import and visualize data in Deep Network Designer.
Clasificación de secuencias mediante deep learning
Este ejemplo muestra cómo clasificar datos secuenciales mediante una red de memoria de corto-largo plazo (LSTM).
Entrenar una red con características numéricas
En este ejemplo se muestra cómo crear y entrenar una red neuronal sencilla para la clasificación de datos de características mediante deep learning.
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Train Sequence Classification Network Using Data With Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
Train Network Using Custom Mini-Batch Datastore for Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data using a custom mini-batch datastore.
Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
Deep learning en MATLAB
Descubra las prestaciones de deep learning en MATLAB utilizando redes neuronales convolucionales para clasificación y regresión, incluidas redes preentrenadas y transferencia del aprendizaje, así como entrenamiento en unidades de procesamiento gráfico (GPU), unidades CPU, clusters y nubes.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

Ejemplos destacados

Pronóstico de series de tiempo mediante deep learning

Este ejemplo muestra cómo pronosticar datos de series de tiempo mediante una red de memoria de corto-largo plazo (LSTM).

Abrir script en vivo

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Abrir script en vivo

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

Abrir script en vivo