MATLAB für Machine Learning

Trainieren Sie Modelle, optimieren Sie Parameter und stellen Sie Ihre Anwendung in Produktivsystemen oder auf Edge-Geräten bereit

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

Sehen Sie, wie andere Kunden MATLAB für Machine Learning einsetzen

Panel Navigation

Automobilindustrie

PathPartner

PathPartner entwickelt Machine-Learning-Algorithmen für radarbasierte Automobilanwendungen

Panel Navigation

Energieerzeugung, Industrieautomatisierung und Maschinenbau

RWE Renewables, Hydro Quebec, IMCORP

Zustandsüberwachung und Predictive Maintenance von Versorgungsanlagen mithilfe von Machine Learning und künstlicher Intelligenz

Panel Navigation

Medizinische Geräte und CES

Kinesis Health Technologies

Beurteilung des Sturzrisikos von Senioren mithilfe von Trägheitssensoren und Machine Learning

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.

Classification Learner-App

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.

Interpretierbarkeit des Modells

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.

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.

Tall-Arrays

Ähnliche Themen

Panel Navigation

Deep Learning

Entwerfen, erstellen und visualisieren Sie faltende neuronale Netzwerke.

Panel Navigation

Data Science

Datengesteuerte Erkenntnisse gewinnen, die zu verbesserten Entwürfen und Entscheidungen führen.

Panel Navigation

Predictive Maintenance

Software für die Zustandsüberwachung und für Predictive Maintenance entwickeln und bereitstellen.

Schneller Einstieg

interaktiv

Interaktive Beispiele

Führen Sie Beispiele in Ihrem Browser aus, um MATLAB in Aktion zu sehen.

Machine Learning Onramp

Machine Learning Onramp

Eine interaktive Einführung in praktische Machine-Learning-Methoden zum Lösen von Klassifikationsproblemen.

Ressourcen zum Einstieg

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 beginnen
E-Book

Statistics and Machine Learning Toolbox

Analyse und Modellierung von Daten mit Statistik und Machine Learning