MATLAB für Machine Learning
Trainieren Sie Modelle, optimieren Sie Parameter und stellen Sie Ihre Anwendung in Produktivsystemen oder aufEdge-Geräten bereit
Mit MATLAB® haben Ingenieure und Domänenexperten bereits Tausende von Machine-Learning-Anwendungen implementiert. MATLAB macht Machine Learning mit folgenden Funktionen einfach:
- Apps, mit denen Sie Modelle über grafische Benutzeroberflächen trainieren und vergleichen können
- fortschrittliche Techniken für die Signalverarbeitung und die Merkmalsextraktion
- automatische Feinabstimmung von Hyperparametern und Merkmalsauswahl zur Optimierung der Modellgenauigkeit
- Verwendung vorhandenen Codes bei der Skalierung der Datenverarbeitung für Big Data und Cluster
- automatisierte Erzeugung von C/C++-Code für Embedded-Anwendungen sowie High-Performance-Anwendungen
- verbreitete Klassifikations-,
Regressions- und Clusteralgorithmen für überwachtes und unüberwachtes
Lernen
- schnellere Ausführung als Open-Source-Lösungen bei den meisten Berechnungen in Statistik und Machine Learning
Anwendungsbeispiele von MATLAB für Machine Learning
AUTOMOBILINDUSTRIE
BMW
Erkennen von Übersteuern mit Machine Learning
Versorgung und Energie
Baker Hughes
Predictive Maintenance von Gas- und Öl-Förderanlagen mit Datenanalysen und Machine Learning
Neurowissenschaft
Battelle
Technologie zur Übertragung neuronaler Signale ermöglicht Querschnittgelähmtem das Bewegen von Arm und Hand
Mit: KI in den Ingenieurswissenschaften
Interaktive Apps und Algorithmen
Wählen Sie aus zahlreichen weit verbreiteten Klassifikations-, Clustering- und Regressionsalgorithmen. 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
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 Techniken zur Merkmalsextraktion, wie Wavelet-Scattering für Signal- oder Bilddaten, und Techniken zur Merkmalsauswahl wie Nachbarschaftskomponentenanalyse (Neighborhood Component Analysis, NCA) oder sequenzielle Merkmalsauswahl an.
Codegenerierung
Implementieren Sie statistische Modelle und Machine-Learning-Modelle für Ihren gesamten Machine-Learning-Algorithmus, einschließlich Vor- und Nachverarbeitung, in Embedded-Systeme indem Sie lesbaren C/C++-Code erzeugen. Aktualisieren Sie die Parameter bereits implementierter Modelle, ohne den C/C++-Code zur Vorhersage neu generieren zu müssen. Beschleunigen Sie die Überprüfung und Validierung von hochgenauen Simulationen in Simulink unter Verwendung von Machine-Learning-Modellen durch MATLAB Function Blocks und System Blocks®.
Skalierung und Leistung
Benutzen Sie Tall-Arrays, um mit minimalen Änderungen im Code Machine-Learning-Modelle mit Datensätzen zu trainieren, die zu groß für den Arbeitsspeicher sind.. 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
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.
Kostenlose Testversion anfordern
Eine 30-tägige Erkundungstour auf Knopfdruck.
