Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Aprendizaje automático enMATLAB

¿Qué es el aprendizaje automático?

enseña a las computadoras a hacer lo que viene naturalmente a los humanos: aprender de la experiencia.El aprendizaje automático Los algoritmos de aprendizaje automático utilizan métodos computacionales para "aprender" información directamente de los datos sin depender de una ecuación predeterminada como modelo. Los algoritmos mejoran de forma adaptativa su rendimiento a medida que aumenta el número de muestras disponibles para el aprendizaje.

El aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena un modelo de datos de entrada y salida conocidos para que pueda predecir las salidas futuras y el aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.

El objetivo del aprendizaje automático supervisado es construir un modelo que haga predicciones basadas en evidencias en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos.

  • técnicas predicen respuestas categóricas, por ejemplo, si un correo electrónico es genuino o spam, o si un tumor es canceroso o benigno.Clasificación Los modelos de clasificación clasifican los datos de entrada en categorías. Las aplicaciones típicas incluyen imágenes médicas, reconocimiento de imagen y voz y puntuación de crédito.

  • técnicas predicen respuestas continuas, por ejemplo, cambios en la temperatura o fluctuaciones en la demanda de energía.Regresión Las aplicaciones típicas incluyen previsión de carga de electricidad y negociación algorítmica.

El aprendizaje no supervisado encuentra patrones ocultos o estructuras intrínsecas en los datos. Se utiliza para extraer inferencias de datasets que constan de datos de entrada sin respuestas etiquetadas. es la técnica de aprendizaje no supervisada más común.Clustering Se utiliza para el análisis de datos exploratorios para encontrar patrones ocultos o agrupaciones en los datos. Las aplicaciones de clustering incluyen análisis de secuencias de genes, investigación de mercado y reconocimiento de objetos.

Seleccionar el algoritmo correcto

Elegir el algoritmo correcto puede parecer abrumador: hay docenas de algoritmos de aprendizaje automático supervisados y no supervisados, y cada uno adopta un enfoque diferente para el aprendizaje. No hay mejor método o un tamaño se adapta a todos. Encontrar el algoritmo correcto se basa en parte en la prueba y el error, incluso los científicos de datos altamente experimentados no pueden saber si un algoritmo funcionará sin probarla. Los modelos altamente flexibles tienden a sobreajustar los datos modelando variaciones menores que podrían ser ruido. Los modelos simples son más fáciles de interpretar, pero pueden tener una precisión menor. Por lo tanto, la elección del algoritmo correcto requiere la negociación de un beneficio contra otro, incluyendo la velocidad del modelo, la precisión y la complejidad. La prueba y el error son el núcleo del aprendizaje automático: Si un enfoque o algoritmo no funciona, pruebe con otro. proporciona herramientas para ayudarle a probar una variedad de modelos de aprendizaje automático y elegir el mejor.MATLAB®

Para encontrar aplicaciones y funciones que le ayuden a resolver las tareas de aprendizaje automático, consulte la tabla siguiente.MATLAB Algunas tareas de aprendizaje automático se hacen más fáciles mediante el uso de aplicaciones y otras utilizan características de línea de comandos.

TareaAplicaciones y funcionesMATLABProductoAprende más
Clasificación para predecir respuestas categóricas

Utilice la aplicación clasificación de aprendizaje para entrenar automáticamente una selección de modelos y ayudarle a elegir lo mejor. Puede generar código para trabajar con scripts.MATLAB

Para obtener más opciones, puede utilizar la interfaz de línea de comandos.

Statistics and Machine Learning Toolbox™

Modelos de clasificación de trenes en la aplicación clasificación aprendiz

Funciones de clasificación

Regresión para predecir respuestas continuas

Usa la aplicación regresión Learner para entrenar automáticamente una selección de modelos y ayudarte a elegir lo mejor. Puede generar código para trabajar con scripts y otras opciones de función.MATLAB

Para obtener más opciones, puede utilizar la interfaz de línea de comandos.

Statistics and Machine Learning Toolbox

Entrenar modelos de regresión en la aplicación de regresión Learner

Funciones de regresión

ClusteringUtilice las funciones de análisis de clúster. Statistics and Machine Learning Toolbox Cluster Analysis
Las tareas financieras computacionales como la puntuación de créditoUtilice herramientas para modelar el análisis de riesgo crediticio. Financial Toolbox™
Risk Management Toolbox™
Credit Risk (Financial Toolbox)
El aprendizaje profundo con redes neuronales para clasificación y regresiónUtilice redes y funciones preentrenadas para entrenar redes neuronales convolucionales. Deep Learning Toolbox™ Deep Learning in MATLAB (Deep Learning Toolbox)
Reconocimiento facial, detección de movimiento y detección de objetosUtilice herramientas de aprendizaje profundo para el procesamiento de imágenes y visión artificial. Deep Learning Toolbox
Computer Vision Toolbox™
Deep Learning, Semantic Segmentation, and Detection (Computer Vision Toolbox)

El siguiente flujo de trabajo sistemático de aprendizaje automático puede ayudarle a enfrentar los desafíos de aprendizaje automático. Puede completar todo el flujo de trabajo en.MATLAB

Para integrar el modelo mejor entrenado en un sistema de producción, puede implementar modelos de aprendizaje automático medianteStatistics and Machine Learning Toolbox MATLABCompiler™. Para muchos modelos, puede generar código C para la predicción mediante MATLABCoder™.

Modelos de clasificación de trenes en la aplicación clasificación aprendiz

Utilice la aplicación clasificación de aprendizajes para entrenar modelos para clasificar los datos mediante el aprendizaje automático supervisado. La aplicación le permite explorar el aprendizaje automático supervisado de forma interactiva mediante varios clasificadores.

  • Entrena automáticamente una selección de modelos y ayuda a elegir el mejor modelo. Los tipos de modelo incluyen árboles de decisión, análisis discriminante, máquinas de vectores de soporte, regresión logística, vecinos más cercanos, Bayes ingenuos y clasificación de conjunto.

  • Explore sus datos, especifique esquemas de validación, seleccione entidades y visualice los resultados. De forma predeterminada, la aplicación protege contra el sobreajuste aplicando la validación cruzada. Como alternativa, puede seleccionar la validación de exclusión. Los resultados de validación le ayudan a elegir el mejor modelo para sus datos. Las parcelas y las medidas de rendimiento reflejan los resultados del modelo validado.

  • Exporte modelos al espacio de trabajo para realizar predicciones con nuevos datos. La aplicación siempre entrena un modelo en datos completos, además de un modelo con el esquema de validación especificado y el modelo completo es el modelo que exporta.

  • Genere código desde la aplicación para crear scripts, entrenar con nuevos datos, trabajar con grandes conjuntos de datos o modificar el código para su posterior análisis.MATLAB

Para obtener más información, consulte.Modelos de clasificación de trenes en la aplicación clasificación aprendiz

Para obtener más opciones, puede utilizar la interfaz de línea de comandos. Ver.Clasificación

Entrenar modelos de regresión en la aplicación de regresión Learner

Use la aplicación regresión Learner para entrenar modelos para predecir datos continuos mediante el aprendizaje automático supervisado. La aplicación le permite explorar el aprendizaje automático supervisado de forma interactiva mediante varios modelos de regresión.

  • Entrena automáticamente una selección de modelos y ayuda a elegir el mejor modelo. Los tipos de modelo incluyen modelos de regresión lineal, árboles de regresión, modelos de regresión de proceso Gaussiano, máquinas de vectores de soporte y conjuntos de árboles de regresión.

  • Explore sus datos, seleccione características y visualice los resultados. Al igual que el aprendizaje de clasificación, el aprendizaje de regresión aplica la validación cruzada de forma predeterminada. Los resultados y las visualizaciones reflejan el modelo validado. Utilice los resultados para elegir el mejor modelo para sus datos.

  • Exporte modelos al espacio de trabajo para realizar predicciones con nuevos datos. La aplicación siempre entrena un modelo en datos completos, además de un modelo con el esquema de validación especificado y el modelo completo es el modelo que exporta.

  • Genere código desde la aplicación para crear scripts, entrenar con nuevos datos, trabajar con grandes conjuntos de datos o modificar el código para su posterior análisis.MATLAB

Para obtener más información, consulte.Entrenar modelos de regresión en la aplicación de regresión Learner

Para obtener más opciones, puede utilizar la interfaz de línea de comandos. Ver.Regresión

Entrenar redes neuronales para el aprendizaje profundo

le permite realizar un aprendizaje profundo con redes neuronales convolucionales para clasificación, regresión, extracción de características y aprendizaje de transferencia.Deep Learning Toolbox La caja de herramientas proporciona comandos simples para crear e interconectar las capas de una red neuronal profunda.MATLAB Los ejemplos y las redes preentrenadas facilitan el uso para el aprendizaje profundo, incluso sin un amplio conocimiento de los algoritmos avanzados de visión artificial o redes neuronales.MATLAB

Para obtener más información, consulte.Deep Learning in MATLAB (Deep Learning Toolbox)

Temas relacionados