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

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  
  • 高级信号处理特征提取技术   
  • 自动超参数调优特征选择,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 
Panel Navigation

MATLAB EXPO 2021 中国

了解他人使用 MATLAB 进行机器学习的成功经验

Panel Navigation

汽车

PathPartner

PathPartner 为基于雷达的汽车应用开发机器学习算法

Panel Navigation

能源生产、工业自动化与机械

莱茵集团可再生能源、魁北克水电公司、IMCORP

利用机器学习和人工智能对公用事业资产进行状况监测和预测性维护

Panel Navigation

医疗设备、通信电子半导体

Kinesis Health Technologies

使用惯性传感器和机器学习评估老年人跌倒的风险

交互式应用和算法

您可以选择各种时下热门的分类、聚类和回归算法,还可选择“浅层”神经网络(最多三层)及其他机器学习模型。 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。

Classification Learner 应用

模型可解释性

运用成熟的可解释性方法打破机器学习的黑盒,这些方法包括部分依赖图、LIME、Shapley 值和广义加性模型 (GAM) 等。验证模型是否使用了正确的证据进行预测,并找出在训练期间不明显的模型偏差。

Model Interpretability

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。使用小波散射等专用特征提取方法处理信号或图像数据,还可使用多种特征选择方法,包括近邻元分析 (NCA)、最小冗余最大相关性 (MRMR) 和序列特征选择。

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。

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。

Tall 数组

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

interactive

Interactive Examples

Run examples in your browser to see MATLAB in action.

深度学习入门之旅

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。

入门资源

探索入门资源

观看演示,浏览交互式示例,进入免费教程。

30天免费试用

开始体验
电子书

浏览 Statistics and Machine Learning Toolbox