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 

了解他人如何使用 MATLAB 进行机器学习

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

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。

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。

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。

探索入门资源

观看演示,浏览交互式示例,进入免费教程。

获取免费试用版

30 天探索触手可及。

浏览 Statistics and Machine Learning Toolbox