シーケンスおよび時系列

深層学習を使用したシーケンスの分類

この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンス データを分類する方法を説明します。

深層学習を使用した sequence-to-sequence 分類

この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンス データの各タイム ステップを分類する方法を説明します。

深層学習を使用した sequence-to-sequence 回帰

この例では、深層学習を使用してエンジンの残存耐用期間 (RUL) を予測する方法を説明します。

深層学習を使用した時系列予測

この例では、長短期記憶 (LSTM) ネットワークを使用して時系列データを予測する方法を説明します。

深層学習を使用したビデオの分類

この例では、事前学習済みのイメージ分類モデルと LSTM ネットワークを組み合わせることによって、ビデオの分類用のネットワークを作成する方法を説明します。

深層学習を使用した音声コマンド認識

この例では、オーディオに存在する音声コマンドを検出する深層学習モデルに学習させる方法を説明します。

アテンションを使用したイメージ キャプションの生成

この例では、アテンションを使用したイメージ キャプション生成のために深層学習モデルを学習させる方法を説明します。

シーケンス データのカスタム ミニバッチ データストアを使用したネットワークの学習

この例では、カスタム ミニバッチ データストアを使用してメモリ外のシーケンス データで深層学習ネットワークに学習させる方法を説明します。

LSTM ネットワークの活性化の可視化

この例では、活性化を抽出し、LSTM ネットワークによって学習された特徴を調査して可視化する方法を説明します。

1 次元畳み込みを使用した sequence-to-sequence 分類

この例では、一般的な時間的畳み込みネットワーク (TCN) を使用してシーケンス データの各タイム ステップを分類する方法を説明します。

深層学習を使用した化学的プロセスの故障検出

この例では、シミュレーション データを使用して、化学的プロセスの故障を検出できるニューラル ネットワークに学習させる方法を説明します。

ディープ ネットワーク デザイナーを使用したネットワークの構築

深層学習ネットワークを対話形式で構築および編集します。

ディープ ネットワーク デザイナーを使用したシンプルなシーケンス分類ネットワークの作成

この例では、ディープ ネットワーク デザイナーを使用してシンプルな長短期記憶 (LSTM) 分類ネットワークを作成する方法を説明します。

テキスト データ

深層学習を使用したテキスト データの分類

この例では、深層学習長短期記憶 (LSTM) ネットワークを使用してテキスト データを分類する方法を説明します。

畳み込みニューラル ネットワークを使用したテキスト データの分類

この例では、畳み込みニューラル ネットワークを使用してテキスト データを分類する方法を説明します。

深層学習を使用した複数ラベルをもつテキストの分類

この例では、複数の独立したラベルをもつテキスト データを分類する方法を説明します。

深層学習を使用したメモリ外のテキスト データの分類

この例では、変換されたデータストアを使用して深層学習ネットワークでメモリ外のテキスト データを分類する方法を説明します。

アテンションを使用した sequence-to-sequence 変換

この例では、アテンションを使用した再帰型 sequence-to-sequence 符号化器-復号化器モデルを用いて数字の文字列をローマ数字に変換する方法を説明します。

深層学習を使用したテキストの生成

この例では、深層学習長短期記憶 (LSTM) ネットワークに学習させてテキストを生成する方法を説明します。

『Pride and Prejudice』と MATLAB

この例では、深層学習 LSTM ネットワークに学習させ、文字の埋め込みを使用してテキストを生成する方法を説明します。

深層学習を使用した単語単位のテキスト生成

この例では、深層学習 LSTM ネットワークに学習させ、単語単位でテキストを生成する方法を説明します。

自己符号化器を使用したテキストの生成

この例では、自己符号化器を使用してテキスト データを生成する方法を示します。

テキスト符号化器モデル関数の定義

この例では、テキスト符号化器モデル関数の定義方法を示します。

テキスト復号化器モデル関数の定義

この例では、テキスト復号化器モデル関数の定義方法を示します。