Machine Learning mit MATLAB

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

Artikelserie

Fragerunde zu Machine Learning und Deep Learning

Jetzt lesen

Applicazioni di IA con MATLAB e Simulink

Erfahren Sie mehr über die Berichte unserer Kunden in den Bereichen Automatisiertes Fahren, Robotik, Computer Vision und mehr.

Lernen Sie die vorgestellten Wissenschaftler, Projektthemen und zugehörige Publikationen kennen.

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.

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^®.

Weitere Informationen

Nutzen Sie ein Machine-Learning-Modell in Simulink, um Streaming-Daten zu verarbeiten und die Klasseneinteilung und das Zuverlässigkeitsmaß mit einem SVM-Modell vorherzusagen.

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.

Weitere Informationen