深度学习

LAS REDES Neuralales Que Operan en DoS O Tres Capas de Neuronas Concectadas Se Conocen Comoredes neuralales.肤浅。拉斯雷斯德深度学习Pueden Tener Muchas Capas，包括Cientos de Ellas。Ambas SonTécnicasde机器学习Que Aprenden Directamente de los Datos介绍。

el深度学习Atrae MuchaAtenciónúltimamente，Y Hay Razones de Peso Para ello。Estáconsiengo结果que que antes no eran位置。

EL Deep Sealtha Adapta Especialee bien a aplicaciones deIdendificacióncomplejas，Tales Como El Recocimiento Facial，LaTraduccióndetexosY El Reconcimiento de Voz。TambiénESUNATecnologíaClaveUltizadaen Sistemas y Tareas Avanzos deConducciónSasistida，Que Chertuyen LaAsignacióndacercocimientodeseñalesdetráfico。

UNA红色神经团Combina Diversas Capas de Procesamiento Y uteriza Elementos Simples Que Operan en Paralelo，YEstánIsciradasen Los Sistemas NerviososBioRógicos。Consta de Una Capa de Intrada，UNA O Varias Capas Ocultas Y Una Capa de Salida。Las CapasEstán相互联系Mediante Nodos，O神经元;Cada Capa Utiliza La Salida de la Capa前赛赛·科莫

Técnicasempleadas con las redes neuralales

AlgunasTécnicasHapitualesde Machineupiteñaraplicaciones de redes neuralales son El Aprendizaje Superisado y No Supervisado，LaClasificación，LaRegresión，El Recocimiento de Patrone Y El El Clustering。

Aprendizaje Supervisado

拉斯redes neuralales supervisadasSe entrenan para producir las salidas deseadas como respuesta a Entradas de Muestra，Por que resultanidóneasmara modelar y Contracar SistemasDinámicos，Clasificar Datos Con Ruido Y Predecir Eventos Futuro。深度学习工具箱™Cutuye Cuatro Tipos de Redes Superisadas：Feedforward，De Base Radial，Dinámicasy deCuantificaciónvectialde Aprendizaje。

clasificación.

LaClasificaciónSES联合国Tipo De Machine学习Superisado en El que联合国Algoritmo“Aprende”A Clasificar Nuevas ImpovionAciones a partir de ejegrios de Datos atiquetados。

Regresión.

Los Modelos deRegresión描述了LaRelacióntenreUna变量De Respuesta（Salida）Y Una O Varias Varias dePredicción（entrada）。

recocimiento de Patrone.

EL Reconcimiento de Patrones ES UN Componente Expresse De Las Aplicaciones de Redes Neuralites enVisión人工，Procesamiento de Radar，Reconcimiento de Voz yClasificación文本。Funciona Mediante LaClasificacióndeLosDatos de entrada en Objetos o Clases enFuncióndeCacelacterísticas的Clave，Ya Sea Mediante LaClasificaciónSupervisadaO没有超级轿车。

Por Ejeallo，En LaVisión人造，SE EfpleanTécnicasde recocimiento de Patrones Supervisado Para El RecocimientoópericodeCaracteres（OCR），LaDetección面部，El Recocimiento Facial，LaDeteccióndeobjetosy laclasificacióndebjetos。en el procesamiento deimágenesy laVisión人造，Se EppreanTécnicasde Recocimiento de Patrones没有Supervisado Para LaDeteccióndebjetosy lasegmonióndemágenesacióndemágenesacióndemágencióndemágeacióndemágeacióndemágeacióndemágenceacióndemágenesacióndemágeacióndemágenes。

Aprendizaje没有超级轿车

拉斯redes neuralones没有超级adasSE entrenan permiciendo que la红色神经元se autoajuste连续一个las nuevas entradas。Se Euplean Para InformirInformaciónaperirde Conduntos de Datos Que Constan de Datos de Entrada Sin Respuestas帝国帝国。Se pueden利用帕拉Descubrir discustuciones Naturales，Compactias Y Relaciones EntreCatriporíasen Los Datos。

深度学习工具箱包含yeye dos tipos de Redes No Supervisadas：Capas ColditIvas y Mapas de Orcuiticanianiaviantica。

聚类

EL Clustering ES联合国enfoque de Aprendizaje No Supervisado EN EN EN EN EN EN EEL PUEEREER EMELERES redes neuronales para elAnálisisde datos exploratorio a fin de localizar catrones Ocultos O Agrupaciones de Datos。Este Proceso Implica LaAgrupacióndeatospor similitud。Entre Las Aplicaciones delanálisisde集群EstánelanálisisdesecuenciasGeinéticas，LaIncortigacióndemercadosY El Recovicimiento de Objetos。

Con Herramientas y Funciones Para Adminersar Grandes Conduntos de Datos，马铃薯^®OFERECE工具箱EPPECIALIZAS PARA TRABAJAR CON机器学习，REDES神经头，深度学习，Visión人工YConducciónAutónoma。

Con UnasPocasLíneasdeCódigo，Matlab渗透Desarrollar Redes Neuralales Sin Ser UN Experto。PodráPonerseen MarchaRápidamente，Crear Y Visualizar Modelos O Desplar Modelos En Servidores Y Discositivos Embebidos。

MATLAB渗透积分LOS结果eN SUS APLICACIONS存在。Matlab Automatiza LaImpeedAcióndeSusModelos de Redes Neuralales en Sistemas de Empresa，Nubes Y Dispositivos Embebidos。

Flujo de trabajotípicoparadiseñarredes neuralales

CadaAplicacióndedredneuronal esúnica，Pero El desarrollo de la Red Suele Implicar Los Pasos Siguientes：

1. Acceder洛杉矶Datos Y Prepararlos
2. Crear La Red神经元
3. Configurar Las Enteradas Y Salidas de la Red
4. Ajustar losparámetrosde la Red（Las Ponderacion Y endencias）Para Optimizar El Rendimiento
5. entrenar la红色
6. Validar Los ResultAdos de la Red
7. Integrar La Red En联合国Sistema deProducción

clasificacióny聚集de redes superficies

Matlab Y Deeaute Toolbox Proporcionan Funciones deLíneadeCandosY Apps Para Crear，entrenar y Simular Redes神经元肤浅。LAS应用程序Facilitan El Desarrollo de Redes神经元araa tareas tales como laclasificación，lareglesión（包括苏联人队）yel clustering。TRAS CREAR LAS REDES COSTAS HERRAMIENTAS，ES POSIBLE PUSERARAUTOMÁTICAMENECódigodeMatlabPara Captular El Trabajo Y Automatizar Las Tareas。

preprocesamiento，posprocesamiento y perfeccionamiento de la红色

El Preprocesamiento de las Entradas y Los Objetivos de la Red Aumenta la Eficiencia del Eyrenamiento de Redes Neuralales肤浅。El PosPocesamiento渗透ElAnálisisDetallado del Rendimiento de la Red。Matlab Y.金宝app^®Proporcionan Herramientas Para Ayudarle A：

• Reducir Las Dimonses de Los Vectorys de entrada Mediante ElAnálisisde Componentes inclimipales
• Llevar A CaboAnálisisdeRegresióntenreLaheduestade la Red Y Los Objetivos对应者
• Escalar Las Entradas Y Los Objetivos para que se ajusten al rango [-1,1]
• Incormenizar La Media Y LaDesviaciónEstándardeljuntode Datos de Entrenamiento
• Utherizar El Preprocesamiento de Datos Y LaDivisióndeatoSiomatizadosAl Crear Sus Redes

El Perfeccionamiento de la poceidad de la Red Para Generalizar Contribuye A Evitar El Sobreacujuste，联合国问题习惯性EN ElDiseñoDeredes神经元。El Sobreacumuste Se生产Cuando Una Red HA Memorizo​​ el Conjunto de Entrenamiento Pero No Ha Aprendido A Generalizar Cuando Hay Entradas Nuevas。El Sobreacumuste生产联合国错误RelativamentePequeñoen El Condunto de Entrenamiento，Pero联合国错误Mucho Mayor Cuando SE Thinean Datos Nuevos A La Red。

DOS Soluciones Posibles Para Mejorar LaGeneralización儿子：

• LA.rangalización.，Que Modifica LaFuncióndeRendimientode la Red（La Medida de Error Que Minimiza El Proceso de Entrenamiento）。Mediante la包含ve los valores de las ponderacion y las tendencias，Larangización生产Una红色que funciona bien con los datos de entrenamientoyyo yrece联合国Comportamientomásfluido cuando se Le Thinean Datos Nuevos。
• LA.Parada Temprana.Utiliza DoS联想赛De Datos Distintos：El Condunto de Entrenamiento，Para Activityar Las PonderAciones Y Las Tendencias，Y El Condunto deValidación，Para Detener El Entrenamiento Cuando La Red Empieza A Sobreajustar Los Datos。

Generaciónydespliegue decódigo

Mediante Deep Learing Toolbox ConMatlab Coder™那GPU编码器™yMatlab Compiler™，ES Posible Desplegar Redes Entrenadas en Sistemas Embybidos o Integrallas en Una Amplia Gama de Entornos deProducción。Puede Utilizar Matlab编码器A Fin De WenerarCódigoC Y C ++ Para Su Red entrenada，Lo Cual Permite Simular Una Red Enrenada en Hardward De PCS Y，Desiremente，Desplar La Red En Sistemas embebidos。puede materizar matlab编译器yMATLAB编译器SDK™Para Desplar Redes Entrenadas ComoLibríasasC/ C ++ Compartidas，ensamblados de Microsoft^®。网，Clases de Java^®y paquetes de python^®partir de programas de matlab。TambiénPuedeentrenar联合国Modelo de Red En LaAplicaciónFesplegadao en Un Un Componsee。

Soporte para 金宝appsimulink.

深度学习工具箱Proporciona联合联盟De Bloques Para Crear Redes Neuronales eximulines en Simulink。金宝appTodos Los Bloques儿子兼容骗局金宝appSimulink Coder™。Estos Bloquess Se Cudiden en CuatroLibrerías：

• Bloques deFuncióndayencia，que admiten联合国Vector de entrada de红色y generan un vector de salida对应。
• Bloques defuncióndenetadade Red，que admiten cualquiernúmerodevectorysde incrada ponderados，矢量de salida de capa deponderaciónyvectoresde tendencias，y devuelven联合国矢量de entrada de红色。
• Bloques defuncióndeponderación，que aplican联合国矢量deponderación神经元a联合国矢量de intrada（o联合国vector de salida de capa）fin de Obener联合国Valor de incrada ponderado para Una neurona。
• Bloques de Preprocesamiento de Datos，Que Asignan Datos de entrada y salida dentro de los rangosmásadecuadospara que la红色神经元los gestione directamente。

Si lo Prefiere，佩德架y entrenar sus redes en En En El Entorno de Matlab Y WentarAutomáticamenteBloquesdeSimulacióndedredparausarlos con simulink。金宝appEsteNfoqueTambién渗透Ver Las Redes deFormaGráfica。