딥러닝

MATLAB을 사용한 딥러닝

심층 신경망을 위한 데이터를 준비, 설계, 시뮬레이션 및 배포할 수 있습니다.

딥러닝 응용 분야

MATLAB® 코드 몇 줄만으로 응용 사례에 딥러닝 기법을 통합하여 알고리즘을 설계하고, 데이터 준비 및 레이블을 지정하고, 코드를 생성하여 임베디드 시스템에 배포할 수 있습니다.

신호 처리

신호 처리

신호 및 시계열 데이터의 수집 및 분석

영상 처리 및 컴퓨터 비전

컴퓨터 비전

영상 및 비디오의 수집, 처리 및 분석

강화 학습

심층 강화 학습

강화 학습 정책의 정의, 훈련 및 배포

레이다

레이다

레이다 응용 사례에 인공 지능 기법 적용

라이다

라이다

라이다 응용 사례에 인공 지능 기법 적용

무선 통신

AI for Wireless

Apply AI techniques to wireless communications applications

왜 딥러닝에 MATLAB을 사용할까요?

MATLAB을 사용하면 딥러닝 모델에서 실제 AI(인공 지능) 주도 시스템으로의 전환이 손쉬워집니다.

데이터 전처리

데이터 전처리

대화형 방식의 앱을 사용하여 중요한 특징에 대해 레이블 지정, 자르기 및 식별을 수행할 수 있고, 내장 알고리즘을 사용하여 레이블 지정 과정을 자동화할 수 있습니다.

자세히 알아보기
모델 개발

모델 훈련 및 평가

다양한 알고리즘 및 사전 구축된 모델로 시작하고, 심층 신경망 디자이너 앱을 사용하여 딥러닝 모델을 만들고 수정할 수 있습니다.

모델 살펴보기
데이터 시뮬레이션

데이터 시뮬레이션

딥러닝 모델을 시스템 수준의 Simulink 시뮬레이션에 포함하여 테스트할 수 있습니다. 하드웨어에서 테스트하기 어려운 경계 조건 시나리오를 테스트할 수 있습니다. 딥러닝 모델이 시스템 전반의 성능에 어떤 영향을 미치는지 파악할 수 있습니다.

생산 시스템으로 배포

훈련된 신경망 배포

훈련된 모델을 임베디드 시스템, 엔터프라이즈 시스템, FPGA 소자 또는 클라우드에 배포할 수 있습니다. Intel®, NVIDIA® 및 ARM® 라이브러리로부터 코드를 생성하여 고성능 추론 속도를 갖춘 배포용 모델을 만들 수 있습니다.

Python 기반 프레임워크와 통합

MATLAB에서는 Tensorflow 모델을 가져오고 ONNX 기능을 사용하여 어디서나 최신 연구 결과에 액세스할 수 있습니다. NASNet, SqueezeNet, Inception-v3 및 ResNet-101을 포함한 사전 구축 모델 라이브러리를 사용하여 시작할 수 있습니다. MATLAB에서 Python을 호출하거나 Python에서 MATLAB을 호출하여 오픈 소스를 사용하는 동료와 협업할 수 있습니다.

자세히 알아보기

MATLAB을 사용한 딥러닝 튜토리얼 및 예제

딥러닝을 처음 접하든 종단간 워크플로를 찾고 있든 아래의 MATLAB 자료를 살펴보고 다음번 프로젝트에 활용하실 수 있습니다.