MATLAB用于机器学习

培训模型、调整参数并部署到生产或边缘

利用MATLAB®,工程师和其他领域专家部署了数千个机器学习应用程序。MATLAB通过以下功能使机器学习的难点变得简单:

  • 用于培训和比较模型的点击式应用程序
  • 先进的信号处理和特征提取技术
  • 自动机器学习(AutoML),包括特征选择、模型选择和超参数调整
  • 能够使用相同的代码将处理扩展到大数据和集群
  • 为嵌入式和高性能应用程序自动生成C/C++代码
  • 与Simulink集成为本机或MA万博1manbetxTLAB功能块,用于嵌入式部署或仿真
  • 所有流行的分类、回归和聚类算法无监督学习
  • 在大多数统计和机器学习计算中,执行速度比开源更快

了解其他人如何使用MATLAB进行机器学习

面板导航

汽车

路径伙伴

PathPartner为基于雷达的汽车应用开发机器学习算法

面板导航

能源生产和IA&M

RWE可再生能源公司,魁北克水电公司,IMCORP

使用机器学习和人工智能的公用事业资产状态监测和预测性维护

面板导航

医疗器械和消费电子产品

运动健康技术

使用惯性传感器和机器学习评估老年人跌倒风险

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—现在也是“浅层”神经网络(最多三层)与其他机器学习模型一起使用。使用分类和回归应用程序以交互方式训练、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,您可以通过功能选择和参数调整进一步优化模型。

模型解释性

通过应用已建立的可解释性方法(如部分依赖图、莱姆、沙普利值和广义加性模型(GAM))克服机器学习的黑盒性质。验证模型是否使用了正确的预测证据,并发现在训练期间不明显的模型偏差。

自动机器学习(AutoML)

从训练数据自动生成特征,并使用超参数优化技术(如贝叶斯优化)优化模型。使用专门的特征提取技术,如信号或图像数据的小波散射,以及特征选择技术,如邻域成分分析(NCA)、最小冗余最大相关性(MRMR)或顺序特征选择。

代码生成和Simulink集成万博1manbetx

将统计和机器学习模型部署到嵌入式系统,并为整个机器学习算法生成可读的C或C++代码,包括前后处理步骤。通过Simulink中的MATLAB功能块和本机块,使用机器学习模型加速高保真仿真的验证和验证。万博1manbetx

扩展与性能

使用高数组将机器学习模型训练为太大而无法放入内存的数据集,只需对代码进行最小的更改。您还可以通过桌面、集群或云上的并行计算加速统计计算和模型训练。

相关话题

面板导航

深度学习

设计、构建和可视化卷积神经网络。

面板导航

数据科学

开发数据驱动的见解,从而改进设计和决策。

面板导航

预测性维护

开发和部署状态监测和预测性维护软件。

赶快开始吧

交互式示例

在浏览器中运行示例以查看MATLAB的运行情况。

机器学习入门

交互式介绍分类问题的实用机器学习方法。

探索入门资源

观看演示,探索交互式示例,并访问免费教程。

30天免费试用

开始

统计和机器学习工具箱

使用统计学和机器学习分析和建模数据