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

Panel Navigation

Automobilindustrie

PathPartner

PathPartner entwickelt Machine-Learning-Algorithmen für radarbasierte Automobilanwendungen

Panel Navigation

Energieerzeugung, Industrieautomatisierung und Maschinenbau

RWE Renewables, Hydro Quebec, IMCORP

Zustandsüberwachung und vorausschauende Instandhaltung von Versorgungsanlagen mithilfe von Machine Learning und künstlicher Intelligenz

Panel Navigation

Medizinische Geräte und CES

Kinesis Health Technologies

Beurteilung des Sturzrisikos von Senioren mithilfe von Trägheitssensoren und Machine Learning

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. 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.

Interpretierbarkeit des Modells

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.

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

Panel Navigation

Deep Learning

Entwerfen, erstellen und visualisieren Sie faltende neuronale Netzwerke.

Panel Navigation

Data Science

Datengesteuerte Erkenntnisse gewinnen, die zu verbesserten Entwürfen und Entscheidungen führen.

Panel Navigation

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.

Mehr über die Statistics and Machine Learning Toolbox erfahren