机器学习的MATLAB

培训模型,调优参数,并部署到生产或边缘

使用MATLAB®、工程师和其他领域专家已经部署了数千个机器学习应用程序。MATLAB使机器学习的困难部分变得容易:

  • 用于训练和比较模型的指向点击应用程序
  • 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、模型选择和超参数优化
  • 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
  • 集成Simulink作为原生或MATLAB函数块,用于嵌入式部署或模拟
  • 所有流行的分类,回归和聚类算法的监督和无监督学习
  • 在大多数统计和机器学习计算上,执行速度比开源更快
面板的导航

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——现在还有“浅”神经网络(最多三层)和其他机器学习模型。使用分类和回归应用程序交互地训练、比较、调优和导出模型,以便进一步分析、集成和部署。如果编写代码更符合您的风格,您可以通过特性选择和参数调优进一步优化模型。

分类学习者应用

模型的可解释性

通过应用已建立的可解释性方法,如偏依赖图、LIME、Shapley值和广义相加模型(GAM),克服机器学习的黑箱特性。验证模型为其预测使用了正确的证据,并发现在训练中不明显的模型偏差。

模型的可解释性

自动机器学习(AutoML)

从训练数据中自动生成特征,并使用超参数调优技术(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

将统计数据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,包括预处理和后处理步骤。通过Simulink中的MATLAB函数块和本机块,加速使用机器学习模型进行高保真仿真的验证和验证。

扩展和性能

使用高数组训练机器学习模型以适应过大的数据集,并且对代码进行最小的更改。您还可以在您的桌面、集群或云中通过并行计算加速统计计算和模型训练。

高大的数组

相关的话题

面板的导航

深度学习

设计、构建和可视化卷积神经网络。

面板的导航

数据科学

开发数据驱动的洞察力,从而改进设计和决策。

面板的导航

预见性维护

开发和部署状态监测和预测性维护软件。

开始快

互动的例子

在浏览器中运行示例来查看MATLAB的运行情况。

机器学习斜坡弯道

交互式介绍用于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天的免费试用

开始

统计和机器学习工具箱

使用统计和机器学习分析和建模数据

Baidu
map