kategori: Yapay Zeka, Veri Bilimi ve İstatistik

Text Analytics Toolbox, ham metni ön işlemenizi, sayısal gösterime dönüştürmenizi ve metin üzerinde model kurmanızı sağlar.

Text Analytics Toolbox, metin verisini ön işlemek, çözümlemek ve modellemek için algoritmalar ve görselleştirmeler sunar. Araç kutusuyla kurduğunuz modeller duygu çözümlemesi, kestirimci bakım ve konu modelleme gibi uygulamalarda kullanılır. Öncelikle ekipman kayıtları, haber akışları, anketler, operatör raporları ve sosyal medya gibi kaynaklardan gelen ham metni işlersiniz. Ardından yaygın dosya biçimlerinden metin çıkarır, ham metni ön işler, tek tek kelimeleri ayırır, metni sayısal gösterime çevirir ve istatistiksel modeller kurarsınız. Ayrıntıları MathWorks dokümantasyonunda incelersiniz.

LSA, LDA ve kelime gömme gibi makine öğrenmesi yöntemleriyle yüksek boyutlu metin kümelerinde öbekler bulur ve özellikler üretirsiniz. Ayrıca bu özellikleri sayısal, ses ve başka kaynaklardan gelen özelliklerle birleştirip metin ile sayıyı birlikte kullanan modeller kurarsınız. Derin öğrenme tarafında LSTM ağlarını, BERT, FinBERT ve GPT-2 gibi transformer modellerini aktarım öğrenmesiyle metin verisine uygularsınız. Ayrıca MATLAB’i büyük dil modeli servislerine bağlayarak metin özetleme ve sohbet gibi görevleri aynı ortamda yürütürsünüz. Sonuç olarak mühendislik tarafında algılayıcı verisiyle metin kayıtlarını birleştirip kestirimci bakım takvimi kurar, gereksinim biçimselleştirmesini ve uygunluk denetimini otomatikleştirirsiniz.

Text Analytics Toolbox Temel Yetenekleri

Metni İçeri Aktarma

Metin verisini tek dosyadan ya da büyük dosya koleksiyonlarından MATLAB’e alırsınız. Böylece PDF, HTML ve Microsoft Word dosyaları desteklenir.

Ardından veri kümesini kelime bulutları ve metin saçılım grafikleriyle görsel olarak incelersiniz.

Temizleme ve Ön İşleme

Yüksek düzeyli süzme fonksiyonlarıyla bağlantı adresleri, HTML etiketleri ve noktalama gibi gereksiz içeriği çıkarırsınız. Ardından yazım düzeltmesi uygular ve durak kelimeleri süzersiniz.

Böylece kelimeleri kök biçimine indirger ve çözümlemeyi sağlam bir tabana oturtursunuz.

Sayısal Gösterime Dönüştürme

Simgeleme algoritmasıyla dilbilimsel öznitelikleri çıkarır, kelime sıklığı istatistikleriyle metni sayısal olarak temsil edersiniz.

Ayrıca word2vec ve skip-gram gibi kelime gömme modellerini eğitirsiniz.

Metne Yapay Zekâ Uygulama

LSA, LDA ve LSTM gibi makine öğrenmesi ile derin öğrenme modellerini metin verisine uydurursunuz. BERT, FinBERT ve GPT-2 gibi transformer modellerini kullanırsınız.

Dolayısıyla aktarım öğrenmesiyle küçük veri kümelerinde bile güçlü sonuç alırsınız.

Mühendisler İçin Metin Çözümlemesi

Algılayıcı verisiyle metin kayıtlarını birleştirip kestirimci bakım takvimi kurarsınız. Gereksinim biçimselleştirmesini ve uygunluk denetimini otomatikleştirirsiniz.

Örneğin fabrika raporlarındaki ham ve temizlenmiş metni kelime bulutlarıyla karşılaştırırsınız.

Belge Çözümlemesi

Konu modellemeyle örüntüleri, eğilimleri ve karmaşık ilişkileri ortaya çıkarır ve görselleştirirsiniz. Ardından belgeleri özetler ve anahtar kelimeleri çıkarırsınız.

Aynı zamanda belge önemini ve benzerliğini sayısal olarak değerlendirirsiniz.

Text Analytics Toolbox Nasıl Çalışır?

1. Metni toplayın Öncelikle PDF, HTML, Word ve tablo dosyalarından metni içeri aktarın.
2. Temizleyin Ardından gereksiz içeriği süzüp kelimeleri kök biçimine indirin.
3. Sayısallaştırın Kelime sıklığı ve gömme yöntemleriyle metni özellik vektörüne çevirin.
4. Model kurun Son olarak konu modelleme, sınıflandırma ya da duygu çözümlemesi modelini eğitin.

Kullanım Alanları

Yapay Zekâ

Metni sayısal gösterime çevirir, transformer modelleriyle aktarım öğrenmesi yaparsınız.

Kestirimci Bakım

Bakım kayıtlarındaki serbest metni algılayıcı verisiyle birleştirip arıza öngörüsünü güçlendirirsiniz.

Kurumsal ve Bilgi Teknolojileri

Anket, çağrı kaydı ve rapor gibi kurumsal metni tek akışta çözümlersiniz.

Model Tabanlı Tasarım

Gereksinim metnini biçimselleştirir, uygunluk denetimini otomatik hâle getirirsiniz.

Sıkça Sorulan Sorular

Hangi dosya biçimleri destekleniyor?

PDF, HTML, Microsoft Word, Microsoft Excel ve CSV dosyalarından metin çıkarırsınız. Tek dosyayı da büyük dosya koleksiyonlarını da aynı akışla işlersiniz.

Hangi ön işleme adımları var?

Bağlantı adresleri, HTML etiketleri ve noktalama gibi gereksiz içeriği süzersiniz. Ayrıca yazım düzeltmesi uygular, durak kelimeleri çıkarır ve kelimeleri kök biçimine indirirsiniz.

Hangi öğrenme yöntemleri destekleniyor?

LSA, LDA ve kelime gömme yöntemleri bulunur. Derin öğrenme tarafında LSTM ağları ile BERT, FinBERT ve GPT-2 gibi transformer modellerini kullanırsınız.

Metin özelliklerini başka verilerle birleştirebilir miyim?

Evet. Ürettiğiniz metin özelliklerini sayısal, ses ve başka kaynaklardan gelen özelliklerle birleştirirsiniz. Böylece farklı veri türlerini birlikte kullanan modeller kurarsınız.

Büyük dil modelleriyle çalışır mı?

Evet. MATLAB’i büyük dil modeli servislerine bağlar, metin özetleme ve sohbet gibi görevleri MATLAB ortamı içinden yürütürsünüz.

Mühendislik uygulamaları neler?

Algılayıcı verisiyle metin kayıtlarını birleştirip kestirimci bakım takvimi kurarsınız. Ayrıca gereksinim biçimselleştirmesini ve uygunluk denetimini otomatikleştirirsiniz.

Curve Fitting Toolbox, verilere eğri ve yüzey oturtmanızı, ardından modeli çözümlemenizi sağlar.

Curve Fitting Toolbox, ölçüm verisini matematiksel bir modelle temsil etmek için kullanılır. Doğrusal ve doğrusal olmayan regresyon, polinom, üstel, Fourier ve Gauss gibi hazır model kitaplıkları ile kendi denklemlerinizi tanımlama olanağı bulunur. İnterpolasyon tarafında spline, PCHIP ve en yakın komşu gibi yöntemler yer alır; düzleştirici spline yaklaşımı gürültülü veride eğriyi yumuşatır. Aynı yöntemler iki değişkenli veride yüzey oturtmaya da uygulanır. Fonksiyon listesini MathWorks dokümantasyonunda bulursunuz.

Curve Fitter uygulaması işin çoğunu arayüzden yürütür: veriyi seçer, model türünü değiştirir, ağırlık ve dışlama kuralları uygular, birden çok oturtmayı yan yana karşılaştırırsınız. Uygulama ayrıca eşdeğer MATLAB kodunu üretir, böylece aynı işi betikte tekrarlarsınız. Sonucu değerlendirmek için artıkları, uyum iyiliği ölçütlerini, güven aralıklarını ve kestirim sınırlarını incelersiniz. Oturtulan modelden türev ve integral hesaplar, kök ve kesişim noktalarını bulur, ara değerleri kestirirsiniz. Model katsayılarına sınır koyarak fiziksel olarak anlamsız çözümleri engellersiniz. Son olarak modeli MATLAB Coder ile C ve C++ koduna çevirip gömülü sistemlerde çalıştırırsınız.

Curve Fitting Toolbox Temel Yetenekleri

Curve Fitter Uygulaması

Veriyi seçip model türünü arayüzden değiştirirsiniz. Birden çok oturtmayı yan yana karşılaştırır, ağırlık ve dışlama kuralları uygularsınız.

Ayrıca uygulama eşdeğer MATLAB kodunu üretir.

Özel Denklem Oturtma

Hazır model kitaplığı yeterli değilse kendi denkleminizi tanımlarsınız. Katsayılara sınır koyarak fiziksel olarak anlamsız çözümleri engellersiniz.

Böylece modelin yorumlanabilir kalmasını sağlarsınız.

İnterpolasyon

Spline, PCHIP ve en yakın komşu yöntemleriyle veri noktaları arasını doldurursunuz. Düzleştirici spline yaklaşımı gürültülü veride eğriyi yumuşatır.

Dolayısıyla ölçüm gürültüsünü modele taşımazsınız.

Kübik Spline

Parçalı polinom gösterimiyle düzgün geçişli eğriler kurarsınız. Oturtulan modelden türev ve integral hesaplarsınız.

Ayrıca kök ve kesişim noktalarını sayısal olarak bulursunuz.

Yüzey Oturtma

İki değişkenli veride aynı yöntemleri yüzeylere uygularsınız. Regresyon ve interpolasyon seçenekleri yüzeyler için de geçerlidir.

Örneğin motor haritalarını ölçüm noktalarından türetirsiniz.

Kestirim Sınırları

Güven aralıkları ve kestirim sınırlarıyla modelin belirsizliğini ölçersiniz. Artıklar ile uyum iyiliği ölçütleri sonucu değerlendirir.

Böylece hangi modelin daha güvenilir olduğuna sayısal olarak karar verirsiniz.

Curve Fitting Toolbox Nasıl Çalışır?

1. Veriyi hazırlayın Öncelikle ölçüm verisini MATLAB çalışma alanına aktarıp aykırı değerleri işaretleyin.
2. Model oturtun Ardından Curve Fitter uygulamasında model türünü seçip oturtmayı çalıştırın.
3. Sonucu değerlendirin Artıkları, uyum iyiliği ölçütlerini ve kestirim sınırlarını inceleyin.
4. Modeli kullanın Son olarak türev, integral ve ara değer hesaplarını yapıp modeli koda taşıyın.

Kullanım Alanları

Yapay Zekâ

Ölçüm verisini modelle temsil eder, ardından belirsizliği sayısal olarak raporlarsınız.

Model Tabanlı Tasarım

Bileşen haritalarını ölçümden türetir, böylece simülasyon modelini kalibre edersiniz.

Kestirimci Bakım

Bozulma eğrilerini veriye oturtur, ardından kalan ömrü kestirirsiniz.

Batarya Sistemleri

Batarya karakteristiklerini yüzey oturtmayla modeller, ara değerleri hesaplarsınız.

Test ve Ölçüm

Ölçüm kayıtlarına eğri oturtur, böylece kalibrasyon eğrilerini türetirsiniz.

Sıkça Sorulan Sorular

Hangi model türleri hazır geliyor?

Polinom, üstel, Fourier ve Gauss gibi hazır model kitaplıkları bulunur. Bunların dışında kendi denkleminizi tanımlayıp katsayılarına sınır koyabilirsiniz.

İnterpolasyonla regresyon arasındaki fark nedir?

İnterpolasyon eğriyi tüm veri noktalarından geçirir; regresyon ise noktalara en yakın modeli arar. Gürültülü veride regresyon ya da düzleştirici spline daha uygun sonuç verir.

Yüzey oturtma yapabilir miyim?

Evet. İki değişkenli veride regresyon ve interpolasyon yöntemleri yüzeylere de uygulanır. Örneğin motor haritalarını ölçüm noktalarından türetirsiniz.

Oturtmanın güvenilirliğini nasıl ölçerim?

Artıkları, uyum iyiliği ölçütlerini, güven aralıklarını ve kestirim sınırlarını incelersiniz. Bu değerler farklı modelleri karşılaştırmanızı sağlar.

Modelden türev ve integral alabilir miyim?

Evet. Oturtulan modelden türev ve integral hesaplar, kök ile kesişim noktalarını bulur ve ara değerleri kestirirsiniz.

Kod üretimi destekleniyor mu?

Evet. MATLAB Coder ile oturtulan modeli C ve C++ koduna çevirip gömülü sistemlerde çalıştırırsınız.

Statistics and Machine Learning Toolbox, veriyi istatistik ve makine öğrenmesi yöntemleriyle çözümlemenizi ve modellemenizi sağlar.

Statistics and Machine Learning Toolbox, veri çözümleme ve model kurma için kullanılan bir araç kutusudur. Betimleyici istatistiklerle başlarsınız: merkezî eğilim, yayılım, biçim, korelasyon ve kovaryans ölçütlerini hesaplar, etkileşimli grafiklerle veriyi keşfedersiniz. Ardından küme analizi için k-ortalamalar, hiyerarşik ve DBSCAN gibi yöntemleri uygularsınız; bu yöntemler aynı zamanda aykırı değerleri açığa çıkarır. Fonksiyon listesini MathWorks dokümantasyonunda bulursunuz.

Model tarafında iki uygulama işi hızlandırır. Regression Learner doğrusal regresyon, Gauss süreçleri, destek vektör makineleri, sinir ağları ve topluluk yöntemlerini etkileşimli olarak eğitir; Classification Learner ise lojistik regresyon, destek vektör makineleri, artırmalı ağaçlar ve sığ sinir ağlarını dener. Boyut indirgeme ve otomatik öznitelik seçimi başarımı iyileştirir. Ayrıca yirmi beşten fazla olasılık dağılımını veriye oturtur, hipotez testleri ve varyans analizi yürütürsünüz. Belleğe sığmayan veri kümelerinde tall array ve tablolarla çalışır, sonunda sınıflandırma ve regresyon modellerinin çıkarımı için taşınabilir C ve C++ kodu üretirsiniz.

Statistics and Machine Learning Toolbox Temel Yetenekleri

Betimleyici İstatistik ve Görselleştirme

Merkezî eğilim, yayılım, biçim, korelasyon ve kovaryans ölçütlerini hesaplarsınız. Etkileşimli grafiklerle değişkenler arası ilişkileri keşfedersiniz.

Örneğin çok boyutlu dağılım grafiğiyle hangi değişkenlerin birlikte hareket ettiğini görürsünüz.

Küme Analizi

k-ortalamalar, hiyerarşik ve DBSCAN gibi yöntemlerle veriyi gruplara ayırırsınız. Üstelik aynı yöntemler aykırı değerleri de açığa çıkarır.

Böylece etiketsiz veride örüntüleri ortaya çıkarırsınız.

Regression Learner

Doğrusal regresyon, Gauss süreçleri, destek vektör makineleri, sinir ağları ve topluluk yöntemlerini etkileşimli olarak eğitirsiniz. Ayrıca modelleri aynı ekranda karşılaştırırsınız.

Ardından seçtiğiniz modelin kodunu dışa verip betiğe taşırsınız.

Classification Learner

Lojistik regresyon, destek vektör makineleri, artırmalı ağaçlar ve sığ sinir ağlarını dener, doğrulama sonuçlarını görürsünüz. Böylece model seçimini ölçütlere dayandırırsınız.

Üstelik boyut indirgeme ve öznitelik seçimini aynı akışta uygularsınız.

Olasılık Dağılımları ve Testler

Yirmi beşten fazla sürekli ve kesikli dağılımı veriye oturtursunuz. Örneğin normal, Weibull, gama ve beta dağılımlarını kullanırsınız.

Ayrıca t testleri, dağılım testleri ve parametrik olmayan testleri yürütürsünüz.

Büyük Veri Analizi

Belleğe sığmayan veri kümelerinde tall array ve tablolarla çalışırsınız. Ayrıca sınıflandırma, regresyon ve kümeleme algoritmaları bu yapılarla da koşar.

Dolayısıyla veriyi küçültmek zorunda kalmadan analiz edersiniz.

Statistics and Machine Learning Toolbox Nasıl Çalışır?

1. Veriyi keşfedin Öncelikle betimleyici istatistikler ve etkileşimli grafiklerle veriyi tanıyın.
2. Öznitelikleri hazırlayın Ardından boyut indirgeme ve otomatik öznitelik seçimini uygulayın.
3. Model eğitin Regression Learner ya da Classification Learner ile modelleri karşılaştırın.
4. Dağıtın Son olarak çıkarım için C kodu üretin veya modeli Simulink’e taşıyın.

Kullanım Alanları

Yapay Zekâ

Klasik makine öğrenmesi yöntemlerini derin öğrenmeyle aynı ortamda karşılaştırır, en uygun olanı seçersiniz.

Kestirimci Bakım

Arıza verisinden sınıflandırma modeli kurar, ardından kalan ömür kestirimini bu modele bağlarsınız.

Kurumsal ve Bilgi Teknolojileri

Süreç ve iş verisinde dağılım oturtma ile hipotez testlerini yürütür, sonucu karar süreçlerine bağlarsınız.

Hesaplamalı Biyoloji

Deney verisinde varyans analizi yürütür, gruplar arası farkı istatistiksel olarak sınarsınız.

Gömülü Yapay Zekâ

Eğitilen modelin çıkarımı için C kodu üretir, ardından gömülü işlemcide çalıştırırsınız.

Sıkça Sorulan Sorular

Kod yazmadan model eğitebilir miyim?

Evet. Regression Learner ve Classification Learner uygulamaları modelleri etkileşimli olarak eğitir ve karşılaştırır. Ardından seçtiğiniz modelin kodunu dışa verip betiğe taşırsınız.

Hangi sınıflandırma yöntemleri var?

Lojistik regresyon, destek vektör makineleri, artırmalı ağaçlar ve sığ sinir ağlarını denersiniz. Ayrıca topluluk yöntemleri ve Gauss süreçleri regresyon tarafında kullanılır.

Belleğe sığmayan veriyle çalışabilir miyim?

Evet. tall array ve tablolarla belleğe sığmayan veri kümelerini işlersiniz. Sınıflandırma, regresyon ve kümeleme algoritmalarının önemli bir bölümü bu yapılarla da koşar.

Modeli gömülü donanıma taşıyabilir miyim?

Evet. Sınıflandırma ve regresyon modellerinin çıkarımı için taşınabilir ve okunabilir C ile C++ kodu üretilir. Ancak bunun için MATLAB Coder gerekir.

Deep Learning Toolbox ile farkı nedir?

Bu araç kutusu klasik istatistik ve makine öğrenmesi yöntemlerine odaklanır. Deep Learning Toolbox ise derin sinir ağlarını kapsar. İkisini aynı ortamda karşılaştırarak probleme uygun yöntemi seçersiniz.

Deney tasarımı yapabilir miyim?

Evet. Endüstriyel istatistik yetenekleri etki ve eğilim analizini, deney tasarımını ve süreç kalitesi izlemeyi kapsar. Ayrıca arızaya kadar geçen süre verisini de çözümlersiniz.

Deep Learning Toolbox, MATLAB ortamında derin sinir ağları tasarlamanızı, eğitmenizi ve doğrulamanızı sağlar. Ardından eğittiğiniz modeli Simulink simülasyonuna gömer, gömülü donanıma taşırsınız.

Deep Learning Toolbox, MATLAB ortamında derin sinir ağları tasarlamak, eğitmek ve doğrulamak için kapsamlı bir çerçeve sunar. Evrişimli sinir ağları, uzun-kısa vadeli bellek ağları, transformer ve çekişmeli üretici ağ mimarilerini kapsar. Deep Network Designer uygulamasıyla ağ mimarisini kod yazmadan kurarsınız; Experiment Manager ise hiperparametre taramalarını düzenli denemeler hâline getirir. Ayrıca ONNX üzerinden PyTorch ve TensorFlow ile çift yönlü model alışverişi yaparsınız. Fonksiyon listesinin tamamını MathWorks dokümantasyonunda bulabilirsiniz.

Asıl gücü ise entegrasyondan gelir. Eğittiğiniz modeli Simulink bloğu olarak sistem simülasyonuna gömersiniz; böylece ağı çevresindeki kontrol ve fizik modelleriyle birlikte sınarsınız. Ardından GPU Coder ile CUDA koduna, MATLAB Coder ile C koduna, Deep Learning HDL Toolbox ile FPGA hedeflerine dönüştürürsünüz. Üretilen kod üçüncü parti bir derin öğrenme kütüphanesi gerektirmez. Dolayısıyla masaüstünde doğrulanan model ile gömülü donanımda çalışan model arasındaki zincir tek ortamda izlenebilir kalır. Savunma ve otomotiv projelerinde sertifikasyonun aradığı izlenebilirliği de bu zincir üzerinden kurarsınız.

Deep Learning Toolbox Temel Yetenekleri

Ağ Tasarımı ve Eğitimi

CNN, LSTM, transformer ve GAN mimarilerini sıfırdan kurarsınız ya da önceden eğitilmiş bir modelle transfer öğrenme uygularsınız. Örneğin Deep Network Designer katmanları görsel olarak dizer, uyumsuz bağlantıları eğitim başlamadan uyarır.

Özellikle yerleşik eğitim fonksiyonları çoğu iş için yeterlidir. Ancak özel kayıp fonksiyonu gerektiğinde kendi eğitim döngünüzü de yazabilirsiniz.

Düşük Kodlu Uygulamalar

Time Series Modeler ve Deep Network Designer uygulamaları, model kurmayı ve karşılaştırmayı kod yazmadan yapmanızı sağlar. Böylece birden fazla modeli aynı veri üzerinde eğitir, doğruluklarını yan yana görürsünüz.

Bu sayede ekipteki alan uzmanları da deneylere katılır; kod yazma yükü yalnızca yazılım tarafında kalmaz.

Simulink Entegrasyonu

Eğitilen ağı Simulink bloğu olarak modele gömer, sistemin geri kalanıyla birlikte simüle edersiniz. Örneğin batarya yönetiminde sanal sensör, kontrol döngüsünde ise kestirim bloğu olarak çalışır.

Böylece modelin sistem davranışına etkisini donanıma çıkmadan önce ölçersiniz.

PyTorch ve TensorFlow Uyumu

PyTorch, TensorFlow ve ONNX modellerini tek satırla içeri aktarır, ayrıca ağlarınızı aynı biçimlerde dışarı verirsiniz. Araç kutusu, desteklenmeyen katmanlar için otomatik yer tutucu üretir.

Python tarafında eğitilmiş bir modeli MATLAB iş akışına almak için yeniden eğitim gerekmez.

Kod Üretimi ve Dağıtım

MATLAB Coder ile C ve C++, GPU Coder ile CUDA, Deep Learning HDL Toolbox ile FPGA ve SoC hedefleri için optimize kod üretirsiniz. Üstelik üretilen kod dış kütüphane bağımlılığı taşımaz.

Aynı model masaüstünde, gömülü işlemcide ve FPGA’da doğrulanabilir; hedef değişse de kaynak tek kalır.

Açıklanabilirlik ve Doğrulama

Grad-CAM, D-RISE ve LIME yöntemleriyle modelin hangi bölgeye baktığını görürsünüz. Ayrıca eğitim ilerlemesini canlı izler, doğruluk ve kayıp eğrilerini karşılaştırırsınız.

Ağın girdi gürültüsüne karşı dayanıklılığını sınayan doğrulama araçları, savunma ve sağlık projelerinde belge üretmeyi kolaylaştırır.

Deep Learning Toolbox Nasıl Çalışır?

1. Veriyi hazırla ve etiketle Öncelikle Datastore ile belleğe sığmayan veriyi yönetin, ardından Labeler uygulamalarıyla etiketleyin.
2. Ağ mimarisini kur Hazır bir modelden başlayın ya da Deep Network Designer içinde katmanları kendiniz dizin.
3. Eğit ve doğrula Eğitim ilerlemesini canlı izleyin, Experiment Manager ile hiperparametre denemelerini karşılaştırın.
4. Sıkıştır ve dağıt Son olarak budama ve nicemleme ile modeli bellek bütçesine indirin, ardından kodu üretin.

Kullanım Alanları

Yapay Zekâ

Sınıflandırma, bölütleme ve kestirim modellerini MATLAB içinde eğitir; klasik yöntemlerle aynı ortamda karşılaştırmanızı sağlar.

Gömülü Yapay Zekâ

Eğitilen ağı budama ve nicemleme ile küçültür, ardından CPU, GPU ve FPGA hedefleri için kod üretir.

Görüntü İşleme ve Bilgisayarlı Görü

Yüzey kusuru tespiti ve semantik bölütleme ağlarını eğitir; Grad-CAM ile modelin neye baktığını gösterir.

Kestirimci Bakım

Titreşim ve sıcaklık sinyallerinden LSTM tabanlı arıza öngörüsü kurar, kalan ömür kestirimini modele bağlar.

Otonom Sürüş

Kamera ve radar verisinden nesne tanıma ağlarını eğitir, modeli Simulink senaryolarında sınamanızı sağlar.

Sıkça Sorulan Sorular

Deep Learning Toolbox’u kullanmak için MATLAB gerekli mi?

Evet, araç kutusu bir MATLAB eklentisidir ve tek başına çalışmaz. GPU üzerinde eğitim için Parallel Computing Toolbox, Simulink blok kitaplığı için ise Simulink gerekir. İkisi de temel kullanım için zorunlu değildir.

PyTorch’ta eğitilmiş bir modeli MATLAB’a aktarabilir miyim?

Evet. ONNX biçimi üzerinden veya doğrudan importNetworkFromPyTorch fonksiyonuyla aktarırsınız. Araç kutusu desteklenmeyen katmanlar için yer tutucu üretir; gerekirse kendi özel katmanınızı yazarsınız. Ağları TensorFlow ve ONNX biçimlerine geri de verebilirsiniz.

GPU olmadan model eğitebilir miyim?

Evet, eğitim CPU üzerinde de çalışır. Ancak evrişimli ağlarda GPU belirgin bir hızlanma sağlar, bu yüzden emodlar büyük veri kümelerinde GPU’yu seçer. GPU’su olmayan kurumlar bulut üzerinde eğitim seçeneğini değerlendirebilir.

Eğitilmiş modeli gömülü bir karta nasıl dağıtırım?

MATLAB Coder ile C ve C++, GPU Coder ile CUDA, Deep Learning HDL Toolbox ile FPGA hedeflerine kod üretirsiniz. Üretilen kod üçüncü parti derin öğrenme kütüphanesi gerektirmez, dolayısıyla hedef donanımda ek kurulum yükü doğmaz.

Akademik lisans ile ticari lisans arasındaki fark nedir?

Akademik lisansı yalnızca eğitim ve araştırma amacıyla kullanabilirsiniz, ticari projede kullanamazsınız. Ayrıca fiyatlandırması da farklıdır. Kampüs lisansı ise kurum genelinde geniş kullanım sağlar; dolayısıyla ayrıntılar için FİGES satış ekibiyle görüşün.

Hangi platformlarda çalışır?

Araç kutusu Windows, Linux ve macOS üzerinde çalışır. Araç kutusu MATLAB’ın R2006a öncesinden beri mevcuttur, ancak dlnetwork tabanlı güncel iş akışları için yeni sürümleri kullanmanızı öneririz. Bu nedenle sürüm uyumluluğunu MathWorks gereksinim sayfasından doğrulayın.