机器学习用MATLAB
培训模型、调整参数,并将其部署到生产环境或边缘环境
使用MATLAB®在美国,工程师和其他领域专家已经部署了数千种机器学习应用程序。MATLAB让机器学习的难点变得简单:
- 单击应用培训和比较模型
- 先进的信号处理和特征提取技术
- 自动hyperparameter调优和特征选择优化模型性能
- 能够使用相同的代码大规模处理大数据和集群
- C/ c++代码的自动生成用于嵌入式和高性能应用程序
- 受欢迎的分类、回归和聚类算法用于监督和非监督学习
- 更快的执行在大多数统计和机器学习计算上都比开源软件要重要
了解其他人如何使用MATLAB进行机器学习
汽车
宝马
利用机器学习检测过度转向
公用事业和能源
贝克休斯
使用数据分析和机器学习对天然气和石油开采设备进行预测维护
神经科学
伯特立
神经旁路技术可以恢复瘫痪病人手臂和手的运动
交互式应用程序和算法
从各种最流行的分类、聚类和回归算法中选择。使用分类和回归应用程序交互式地培训、比较、调整和导出模型,以进行进一步的分析、集成和部署。如果编写代码更符合您的风格,那么您可以通过特性选择和参数调优进一步优化模型。
- 了解更多
- 探索机器学习的示例、文章和教程
自动机器学习(AutoML)
从训练数据自动生成特性,并使用贝叶斯优化等超参数优化技术优化模型。对信号或图像数据使用专门的特征提取技术(如小波散射)和特征选择技术(如邻域成分分析(NCA)或顺序特征选择)。
代码生成
通过为整个机器学习算法(包括预处理和后处理)生成可读的C或c++代码,将统计数据和机器学习模型部署到嵌入式系统。在不重新生成C/ c++预测代码的情况下更新已部署模型的参数。通过MATLAB函数块和Simulink中的系统块,加速使用机器学习模型进行高保真仿真的验证和验证万博1manbetx®。
了解更多
扩展和性能
使用高数组在大到无法装入机器内存的数据集上训练机器学习模型,对代码的修改很少。您还可以使用桌面、集群或云上的并行计算来加速统计计算和模型培训。
了解更多
获得免费试用
30天的探索在你的指尖。