机器学习的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以千计的机器学习应用程序。MATLAB使机器学习的困难部分变得容易:
- 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对大数据的规模化处理和集群
- 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放源码更有效
看看其他人如何使用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男子手臂和手的运动
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征，并使用超参数优化技术(如贝叶斯优化)优化模型。对信号或图像数据使用小波等专门的特征提取技术，并使用邻域成分分析(NCA)或序列特征选择等特征选择技术。
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，将统计信息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验证和验证您的高保真仿真万博1manbetx®。
了解更多
扩展和性能
使用高数组在太大而无法装入机器内存的数据集上训练机器学习模型，只需对代码进行最小的更改。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
免费试用
30天的探索就在你的指尖。
