人工智能，数据科学和统计学
机器学习和深度神经网络的数据准备、设计、模拟和部署
MATLAB®使用工具轻松地访问和预处理数据，构建机器学习和预测模型，并部署模型。
使用应用程序或只需几行MATLAB代码，您就可以将统计、机器和深度学习技术应用到您的工作中，用于设计算法、准备和标记数据，或生成代码并部署到嵌入式系统。使用专门的工具扩展AI建模和数据拟合工作流:
数据类型，如图像、视频、信号、音频和文本
应用如计算机视觉，音频和信号处理，文本分析，无线通信和自动驾驶。
2022世界杯八强谁会赢？人工智能、数据科学和统计产品
主题
人工智能基础
- MATLAB中的机器学习(统计和机器学习工具箱)
发现MATLAB中的机器学习功能，用于分类、回归、聚类和深度学习，包括自动模型训练和代码生成的应用程序。 - MATLAB中的深度学习(深度学习工具箱)
在MATLAB中使用卷积神经网络进行分类和回归，包括预先训练的网络和转移学习，以及在gpu、cpu、集群和云上的训练，发现深度学习能力。 - 什么是强化学习?(强化学习工具箱)
强化学习是一种目标导向的计算方法，计算机通过与不确定的动态环境交互来学习执行任务。
人工智能建模
- 在分类学习者应用程序中训练分类模型(统计和机器学习工具箱)
培训的工作流程，比较和改进分类模型，包括自动、手动和并行培训。 - 在回归学习者应用程序中训练回归模型(统计和机器学习工具箱)
用于训练、比较和改进回归模型的工作流程，包括自动、手动和并行训练。 - 用深度网络设计器构建网络(深度学习工具箱)
在深度网络设计器中交互式地构建和编辑深度学习网络。
仿真和部署
- 基于深度学习网络的Simulink电池充电状态估计(深度学习工具箱)
这个例子展示了如何在Simulink®模型中使用前馈深度学习网络来预测电池的荷电状态(SOC)。 - 用于深度学习网络的代码生成(GPU编码器)
开始使用CUDA代码生成图像分类网络，例如MobileNet-v2，ResNet,GoogLeNet． - 实现车道和车辆检测的深度学习Simulink模型的代码生成(嵌入式编码)
这个例子展示了如何从Simulink®模型生成c++代码，该模型使用卷积神经网络(CNN)执行车道和车辆检测。
特色的例子
您也可以从以下列表中选择网站: