Deep Learning

MATLAB para Deep Learning

Preparación de datos, diseño, simulación y despliegue para redes neuronales profundas

Aplicaciones de Deep Learning

Bastan unas pocas líneas de código de MATLAB® para incorporar Deep Learning en aplicaciones, tanto si diseña algoritmos como si prepara y etiqueta datos o genera código y lo despliega en sistemas integrados.

Procesamiento de señales

Procesamiento de señales

Capture y analice señales y datos de series temporales

Procesamiento de imágenes y visión artificial

Visión artificial

Capture, procese y analice imágenes y vídeos

Reinforcement learning

Deep reinforcement learning

Defina, entrene y despliegue políticas de reinforcement learning

Radar

Radar

Aplique técnicas de inteligencia artificial a aplicaciones de radar

LiDAR

LiDAR

Aplique técnicas de inteligencia artificial a aplicaciones de LiDAR

Comunicaciones Inalámbricas

AI for Wireless

Apply AI techniques to wireless communications applications

¿Por qué utilizar MATLAB para Deep Learning?

MATLAB facilita el paso de modelos de Deep Learning a sistemas basados en inteligencia artificial (IA) del mundo real.

Preprocese datos

Preprocese datos

Utilice las apps interactivas para etiquetar, recortar e identificar características importantes, y los algoritmos incorporados para automatizar el proceso de etiquetado.

Más información
Desarrollo de modelos

Entrene y evalúe modelos

Comience con un conjunto completo de algoritmos y modelos predefinidos y, después, cree y modifique los modelos de Deep Learning con la app Deep Network Designer.

Explore modelos
Simule datos

Simule datos

Pruebe modelos de Deep Learning incluyéndolos en simulaciones de Simulink en el nivel de sistema. Pruebe escenarios de casos extremos, difíciles de probar en hardware. Comprenda cómo los modelos de Deep Learning afectan al rendimiento del sistema en general.

Despliegue en sistemas de producción

Despliegue de redes entrenadas

Despliegue un modelo entrenado en sistemas integrados, sistemas empresariales, dispositivos FPGA o la nube. Genere código a partir de librerías de Intel®, NVIDIA® y ARM® para crear modelos desplegables con una velocidad de inferencia de alto rendimiento.

Integración con marcos basados en Python

MATLAB permite acceder a las investigaciones más recientes desde cualquier lugar importando modelos de TensorFlow y utilizando las capacidades de ONNX. Puede utilizar una librería de modelos predefinidos, incluidos NASNet, SqueezeNet, Inception-v3 y ResNet-101, para comenzar. Llamar a Python desde MATLAB y viceversa permite colaborar con colegas que utilicen código abierto.

Más información

Tutoriales y ejemplos de MATLAB para Deep Learning

Tanto si no tiene experiencia con Deep Learning como si necesita un flujo de trabajo de extremo a extremo, utilice estos recursos de MATLAB como ayuda para su próximo proyecto.