Deep Learning

MATLAB pour le Deep Learning

Préparer des données, concevoir, simuler et déployer des réseaux de neurones profonds

Applications de Deep Learning

Quelques lignes de code MATLAB® suffisent pour intégrer du Deep Learning dans vos applications, que ce soit pour le design d'algorithmes, la préparation et la labélisation des données ou la génération de code et son déploiement sur des systèmes embarqués.

traitement du signal

Traitement du signal

Acquérir et analyser des signaux et des séries temporelles

traitement d'images et Computer Vision

Computer Vision

Collecter, traiter et analyser des images et des vidéos

Reinforcement Learning

Deep Reinforcement Learning

Définir, entraîner et déployer des politiques de Reinforcement Learning

radar

Radar

Appliquer des techniques d'intelligence artificielle aux applications radar

LiDAR

Lidar

Appliquer des techniques d'intelligence artificielle aux applications Lidar

Télécommunications

AI for Wireless

Apply AI techniques to wireless communications applications

Pourquoi MATLAB pour le Deep Learning ?

MATLAB permet de passer facilement des modèles de Deep Learning aux systèmes réels basés sur l'intelligence artificielle (IA).

Prétraiter les données

Prétraiter les données

Utilisez des applications interactives pour labéliser, recadrer et identifier les caractéristiques importantes, et des algorithmes prédéfinis pour vous aider à automatiser le processus de labélisation.

En savoir plus
Développement de modèles

Entraîner et évaluer des modèles

Commencez avec un ensemble complet d'algorithmes et de modèles prédéfinis, puis créez et modifiez les modèles de Deep Learning avec l'application Deep Network Designer.

Explorez les modèles
Simuler les données

Simuler les données

Testez des modèles de Deep Learning en les intégrant dans des simulations au niveau système dans Simulink. Testez des scénarios de cas limites difficiles à tester sur du hardware. Comprenez comment vos modèles de Deep Learning impactent les performances du système dans son ensemble.

Déployer sur des systèmes de production

Déployer des réseaux entraînés

Déployez votre réseau entraîné sur des systèmes embarqués, des systèmes d'entreprise, des cartes FPGA ou dans le cloud. Générez du code à partir des bibliothèques d'Intel®, NVIDIA® et ARM®  pour créer des modèles déployables avec une vitesse d'inférence haute performance.

S'intégrer à des frameworks basés sur Python

MATLAB vous permet d'accéder aux derniers résultats de la recherche en important des modèles Tensorflow et en utilisant des fonctionnalités ONNX. Pour démarrer, vous pouvez utiliser une bibliothèque de modèles prédéfinis, tels que NASNet, SqueezeNet, Inception-v3 et ResNet-101. Appeler du Python depuis MATLAB et inversement vous permet de collaborer avec des collègues qui utilisent une solution open source.

En savoir plus

Tutoriels et exemples de Deep Learning avec MATLAB

Que vous découvriez le Deep Learning ou que vous cherchiez un workflow de bout en bout, explorez ces ressources MATLAB qui faciliteront votre prochain projet.