La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Prétraitement des données

Gérer et prétraiter des données séquentielles et tabulaires pour le Deep Learning

Le prétraitement des données est une première étape courante du workflow de Deep Learning pour préparer les données brutes dans un format acceptable par le réseau. Par exemple, vous pouvez prétraiter des données pour améliorer les caractéristiques souhaitées ou réduire les artefacts qui peuvent biaiser le réseau ; ou bien vous pouvez normaliser ou supprimer le bruit des données en entrée.

Il est possible de prétraiter la séquence en entrée avec des opérations comme la normalisation en utilisant des datastores et des fonctions disponibles dans MATLAB^® et Deep Learning Toolbox™. D’autres toolboxes MATLAB proposent des fonctions, des datastores et des applications de labélisation, de traitement et d’augmentation de données de Deep Learning. Utilisez les outils spécialisés d’autres toolboxes MATLAB pour traiter des données dans des domaines comme le traitement de données audio, texte et le traitement du signal.

Applications

Video Labeler	Label video for computer vision applications
Ground Truth Labeler	Label ground truth data for automated driving applications
Signal Labeler	Label signal attributes, regions, and points of interest, and extract features

Fonctions

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

Rubriques

Classification de séquences avec le Deep Learning
Cet exemple montre comment classer des données séquentielles avec un réseau LSTM (long short-term memory).
Train Network with Numeric Features
This example shows how to create and train a simple neural network for deep learning feature data classification.
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 in MATLAB
Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
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.

Exemples présentés

Prévision de séries temporelles avec le Deep Learning

Cet exemple montre comment prévoir des données de séries temporelles avec un réseau LSTM (long short-term memory).

Ouvrir le live script

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.

Ouvrir le live script

Chemical Process Fault Detection Using Deep Learning

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

Ouvrir le live script