Tutoriels et exemples de Deep Learning : MATLAB et Simulink - MATLAB & Simulink

Deep Learning

Découvrir les fondamentaux

Deep Learning pour les ingénieurs (5 Vidéos)

Cette série de vidéos aborde des sujets relatifs au Deep Learning destinés aux ingénieurs, tels que l'accès aux données, l'apprentissage d'un réseau, l'utilisation de l'apprentissage par transfert et l'intégration de votre modèle dans un design plus large.


Améliorer vos compétences

Réseaux de neurones profonds (4 Vidéos)

MATLAB permet de créer et de modifier facilement des réseaux de neurones profonds. Ces tutoriels vidéos expliquent comment utiliser l'application Deep Network Designer, un outil de type pointer-cliquer qui vous permet de travailler de manière interactive avec vos réseaux de neurones profonds.

Spécialisation en Deep Learning pour la Computer Vision

Dans cette formation, vous découvrirez comment appliquer le Deep Learning et la Computer Vision à des projets concrets.


Appliquer vos connaissances

Entraîner des modèles en partant de zéro

Entraînez un réseau de neurones à convolution (CNN) pour identifier des chiffres écrits à la main.

Tutoriel MATLAB pour le Deep Learning

Ce tutoriel de deux heures est une introduction aux méthodes pratiques de Deep Learning pour la reconnaissance d'images.


S'inscrire à des formations avec instructeur

Deep Learning avec MATLAB

Créez et modifiez des réseaux de neurones profonds pour la classification, la régression et la détection d’objets, avec des images et des données séquentielles.

La conduite autonome avec MATLAB

Utilisez MATLAB pour effectuer les tâches essentielles de la conduite autonome. Labellisez les données de vérité-terrain, détectez les voies et les objets, générez des scénarios de conduite, modélisez des capteurs, et visualisez les données des capteurs.

Prétraitement de signaux et extraction de caractéristiques pour l'analyse de données avec MATLAB

Préparez des données de séries temporelles pour une analyse utilisant le Machine Learning. Les sujets abordés comprennent l'importation de signaux, la suppression des valeurs aberrantes et l'extraction de caractéristiques dans les domaines temporel et fréquentiel.