数据正在改变我们的工作方式，重塑商业模式。数据与设计主管安吉丽•奥吉罗(Angelique Augereau)和设计主管布鲁斯•金史(Bruce King-Shey)讨论了摩根大通的财务服务部门是如何利用数据来指导我们如何设计和向客户交付新产品的。

在本视频中探索卷积神经网络（也称为CNN或ConvNets）的基础。您将学习3个概念：本地接受域，共享权重和偏见以及激活和合并。您还将学习3种训练CNN的方法。

了解强化学习入门，这是一个自定进度的教程，通过使用自动评估和反馈的实践练习，提供了控制问题的强化学习方法的交互式概述。强化学习入门涉及的主题包括定义环境和奖励、创建智能体（Agent）以及使用模拟来训练智能体。此外，探索如何创建神经网络来代表各种角色和关键智能体。

这个机器学习基础的视频将帮助您了解什么是机器学习，机器学习的类型——监督，无监督和强化学习，以简单实例解释机器学习的原理，并将解释机器学习在各个行业的应用。机器学习是人工智能的核心子领域；它使计算机无需显式编程就能进入自学习模式。当接触到新的数据时，这些计算机程序就能够自己学习、成长、改变和发展。所以，简单地说，机器学习的迭代特点是独立适应新数据的能力。这是可能的，因为程序从以前的计算中学习，并使用“模式识别”来产生可靠的结果。

如果您是工程师，您经常会需要处理非线性系统。为了帮助您，我们将讨论非线性状态估算器。

学习、解释、适应和进化的能力一直将人类与机器区别开来。但这个差距正在缩小吗？人类的大脑包含约860亿个神经元，它们通过一个称为突触的极其复杂的通路系统相互连接。神经元的功能是通过突触将电荷传递给彼此，导致活跃/不活跃，或真/假的反应。这就是为什么人类如此擅长图案识别，使我们能够阅读、说话，并区别成千上万张脸。计算的一种基础代数形式——布尔逻辑，也依赖于真(1)或假(0)值。一个足够大的计算机系统使用布尔逻辑可以很好地模拟大脑——也被称为神经网络。

您将学习如何配置卡尔曼滤波器模块参数，例如系统模型、初始状态估计和噪声特性，使用Simulink中的卡尔曼滤波器估算单摆模型角度。

GPU Coder™用MATLAB®代码和Simulink®模型生成优化的CUDA®代码。生成的代码包括用于深度学习、嵌入式视觉和信号处理算法的可并行部分的CUDA内核。为了提高性能，生成的代码调用优化的NVIDIA® CUDA库，包括TensorRT™，cuDNN, cuFFT, cuSolver和cuBLAS。您可以将代码作为源代码、静态库或动态库集成到项目中。您还可以编译嵌入在NVIDIA Jetson®、NVIDIA DRIVE®和其他平台上的桌面、服务器和GPU的代码。