Mit MATLAB® haben Ingenieure und Domänenexperten bereits Tausende von Machine-Learning-Anwendungen implementiert. MATLAB macht Machine Learning mit folgenden Funktionen einfach:
- Point-und-Klick-Apps zum Trainieren und Vergleichen von Modellen
- Fortschrittliche Methoden zur Signalverarbeitung und Merkmalsextraktion
- Automatisiertes Machine Learning (AutoML) mit Merkmalsauswahl, Modellauswahl und Abstimmung der Hyperparameter
- Möglichkeit, mit demselben Code die Verarbeitung auf Big Data und Cluster zu skalieren
- Automatisierte Erzeugung von C/C++-Code für Embedded-Anwendungen sowie High-Performance-Anwendungen
- Native Integration mit Simulink als native MATLAB-Funktionsblöcke, für die Bereitstellung in eingebetteten Anwendungen oder Simulationen
- Alle gängigen Klassifizierungs-, Regressions- und Clustering-Algorithmen für überwachtes und nicht überwachtes Lernen
- Bei den meisten Berechnungen für Statistik und Machine Learning ist die Ausführungsgeschwindigkeit höher als die von Open-Source-Lösungen
Interaktive Apps und Algorithmen
Wählen Sie aus zahlreichen weit verbreiteten Klassifikations-, Clustering- und Regressionsalgorithmen – jetzt auch „flache“ neuronale Netze (bis zu drei Ebenen) neben anderen Machine Learning-Modellen. Verwenden Sie Klassifikations- und Regressions-Apps zum interaktiven Trainieren, Vergleichen und Abstimmen und exportieren Sie Modelle für weitere Analyse, Integration und Bereitstellung. Falls Sie lieber Programmcode schreiben, können Sie Modelle durch Merkmalsauswahl und Parameterfeinabstimmung weiter optimieren.
- Weitere Informationen
- Sehen Sie sich Beispiele, Artikel und Tutorials zum Thema Machine Learning an
- Regression Learner-App (3:42)
- Classification Learner App (4:34)
- Tutorial zu Support Vector Machines und ihrer Verwendung in MATLAB (3:54)
- Welcher Machine-Learning-Algorithmus ist der Richtige für Sie?

Interpretierbarkeit von Modellen
Überwinden Sie den Black-Box-Charakter von Machine Learning mithilfe etablierter Interpretierbarkeitsmethoden, beispielsweise partieller Abhängigkeitsdiagramme, LIME, Shapley-Werte und des allgemeinen Additivmodells (Generalized Additive Model, GAM). Überprüfen Sie, ob das Modell die richtigen Nachweise für seine Vorhersagen nutzt, und finden Sie Modellverzerrungen, die während des Trainings nicht ersichtlich waren.

Automatisiertes Machine Learning (AutoML)
Erzeugen Sie aus Trainingsdaten automatisch Merkmale und optimieren Sie Modelle durch Techniken zur Feinabstimmung der Hyperparameter wie Bayes'sche Optimierung. Wenden Sie spezialisierte Verfahren zur Merkmalsextraktion an, beispielsweise Wavelet-Scattering für Signal- oder Bilddaten, und Techniken zur Merkmalsauswahl wie Nachbarschaftskomponentenanalyse (Neighborhood Component Analysis, NCA), minimale Redundanz bei maximaler Relevanz (MRMR) oder sequenzielle Merkmalsauswahl.
Weitere Informationen
Codegenerierung und Integration mit Simulink
Stellen Sie Statistik- und Machine-Learning-Modelle auf Embedded Systemen bereit und erzeugen Sie lesbaren C- oder C++-Code für Ihren gesamten Machine-Learning-Algorithmus, einschließlich aller Vor- und Nachbearbeitungsschritte. Beschleunigen Sie die Verifikation und Validierung hochgetreuer Simulationen mit Machine-Learning-Modellen durch MATLAB Function Blocks und native Blöcke in Simulink®.
Skalierung und Leistung
Mit Tall-Arrays können Sie Machine-Learning-Modelle auf Datensätze trainieren, die zu groß für den Speicher sind – und das mit minimalen Änderungen an Ihrem Code. Durch paralleles Rechnen auf Ihrem Desktop, auf Clustern oder in der Cloud können Sie statistische Berechnungen und das Trainieren von Modellen beschleunigen.
Ähnliche Themen
Deep Learning
Entwerfen, erstellen und visualisieren Sie faltende neuronale Netzwerke.
Data Science
Datengesteuerte Erkenntnisse gewinnen, die zu verbesserten Entwürfen und Entscheidungen führen.
Predictive Maintenance
Software für die Zustandsüberwachung und für Predictive Maintenance entwickeln und bereitstellen.
Schneller Einstieg
Interaktive Beispiele
Führen Sie Beispiele in Ihrem Browser aus, um MATLAB in Aktion zu sehen.
Machine Learning Onramp
Eine interaktive Einführung in praktische Machine-Learning-Methoden zum Lösen von Klassifikationsproblemen.
Mehr erfahren über Ressourcen für den Einstieg
Sehen Sie sich eine Demo an, erkunden Sie die interaktiven Beispiele und nutzen Sie kostenlose Tutorials.
30-tägige kostenlose Testversion
Jetzt startenStatistics and Machine Learning Toolbox
Analyse und Modellierung von Daten mit Statistik und Machine Learning