머신 러닝

대화형 앱과 알고리즘

이제 기타 머신러닝 모델 및 최대 3.개 계층을 갖는 ""얕은"" 신경망을 포함하여 가장 널리 사용되는 다양한 분류, 군집 및 회귀 알고리즘 중에서 선택할 수 있습니다. 가장 널리 사용되는 다양한 분류와 클러스터링, 회귀 알고리즘 중에서 선택하십시오. 분류 및 회귀 앱을 이용하여 모델을 대화형으로 학습시키고 비교, 튜닝하고 내보내서 추가로 분석, 통합, 배포를 하십시오. 수작업 코딩을 더 선호하신다면 특징 선택 및 파라미터 튜닝을 이용하여 모델을 더욱 최적화할 수 있습니다.

• 더 보기
• 探索机器学习示例、文章和教程
• 回归学习者应用程序(3:42)
• 서포트 벡터 머신 및 MATLAB에서의 사용 방법에 대한 튜토리얼(3:54)
• 局部可解释模型不可知解释
• 내게 맞는 머신러닝 알고리즘은?

모델 해석력

부분 종속성 플롯, 石灰섀플리 값, 格姆(일반화 가법 모델) 같은 기존의 해석력 방법을 적용하여 머신러닝의 블랙박스적인 속성을 극복할 수 있습니다. 모델이 예측에 대한 올바른 증거를 사용하는지 검증하고 훈련 중에는 명확하지 않았던 모델의 편향을 찾을 수 있습니다.

• 더 보기
• 모델 해석력이란?
• MATLAB에서의 모델 해석력(5:49)
• AutoML및 해석력으로 人工智能채택의 장벽 낮추기(35:11)
• MATLAB을 활용한 분류 및 회귀 모델 해석 개요

코드 생성

전처리, 후처리를 포함하여 전체 머신 러닝 알고리즘에 사용할 수 있는 읽기 가능한 C또는 C++코드를 생성하여 임베디드 시스템에 통계와 머신 러닝 모델을 배포하십시오. C/C++예측 코드를 재생성하지 않고 배포된 모델의 파라미터를 업데이트합니다. MATLAB함수 블록 및 模拟万博1manbetx^®의 시스템 블록을 통해 머신 러닝 모델을 이용하여 사용자의 고충실도 시뮬레이션을 더욱 빠르게 검증하고 확인하십시오.

추가 정보

• 사용자의 머신 러닝 모델을 임베디드 장치에서 실행하기 위한 핵심 기법(2:30)
• 코드 생성을 위한 모델 파라미터 업데이트

스케일링과 성능

高的형 배열을 이용하여, 코드를 거의 변경하지 않고도 기계의 메모리에 담기에는 너무 큰 데이터 세트에 대해 머신 러닝 모델을 학습시키십시오. 데스크톱, 클러스터 또는 클라우드에서 이루어지는 병렬 컴퓨팅을 이용하여 통계학적 계산과 모델 학습 속도를 높일 수도 있습니다.

추가 정보

• MATLAB高형 배열의 실사용 예(4:13)
• 통계학적 계산의 속도를 높이는 방법 알아보기
• 병렬 컴퓨팅을 이용한 대규모 연산 수행