使用 MATLAB 实现机器学习

训练模型、调优参数并部署到生产环境或边缘设备

试用软件

使用 MATLAB®，工程师和其他领域专家部署了成千上万的机器学习应用程序。MATLAB 通过以下功能让机器学习的困难部分变得简单易行：

  • 点击式应用，可用于训练和比较模型  
  • 高级信号处理和特征提取技术   
  • 自动超参数调优和特征选择，可优化模型性能   
  • 能使用相同的代码规模处理大数据和集群   
  • 为嵌入式和高性能应用程序自动生成 C/C++ 代码
  • 各种常用的分类、回归和聚类算法，用于监督式和无监督学习  
  • 对于大多数统计和机器学习计算，比开源工具执行速度更快 
深度学习对比机器学习：选择最适合的方法（电子书）

免费报告

Gartner Peer Insights《客户之声：数据科学与机器学习平台》

获取Gartner 报告

了解他人使用 MATLAB 进行机器学习的成功经验

Panel Navigation

汽车

宝马汽车公司

利用机器学习检测过度转向

Panel Navigation

公用事业和能源

Baker Hughes

使用数据分析和机器学习实现油气开采设备的预测性维护

Panel Navigation

神经科学

Battelle

使用神经旁路技术让瘫痪男子的手臂和手恢复运动能力

查看更多客户成功案例

交互式应用和算法

从各种时下热门的分类、聚类和回归算法中选择。使用分类和回归应用交互式地训练、比较、调整和导出模型，供进一步的分析、集成和部署。如果您更偏好手写代码，可以通过特征选择和参数调优进一步优化模型。

自动化机器学习 (AutoML)

从训练数据自动生成特征，并使用贝叶斯优化等超参数调优算法优化模型。使用小波散射等专门特征提取算法处理信号或图像数据，并使用近邻成分分析 (NCA) 或序列特征选择等特征选择算法。

了解更多

代码生成

通过为整个机器学习算法（包括预处理和后处理）生成可读的 C 或 C++ 代码，将统计和机器学习模型部署到嵌入式系统。更新已部署模型的参数，而无需重新生成 C/C++ 预测代码。通过 Simulink® 中的 MATLAB 函数块和系统块使用机器学习模型，加快高保真仿真的验证和确认速度。

了解更多

在 Simulink 中使用机器学习模型接受流式数据，并使用 SVM 模型预测标签和分类分数。

扩展和性能

使用 tall 数组在数据集（这些数据集因过大而无法放入机器内存)上训练机器学习模型，仅需对您的代码进行最少的更改。您还可以在台式机、集群或云上使用并行计算来加速统计计算和模型训练。

了解更多

相关主题

Panel Navigation

深度学习

设计、构建和可视化卷积神经网络。

Panel Navigation

数据科学

培养数据驱动的洞察力，从而改进设计和决策。

Panel Navigation

预测性维护

开发和部署状态监控和预测性维护软件。

快速入门

机器学习入门之旅

针对解决分类问题的实用机器学习方法的交互式学习课程。

了解详情并开始课程

探索入门资源

观看演示，浏览交互式示例，进入免费教程。

快速入门

获取免费试用版

30 天探索触手可及。

马上下载

浏览 Statistics and Machine Learning Toolbox

了解更多