Los ingenieros y los científicos de datos trabajan con grandes cantidades de datos en diversos formatos, tales como datos de sensor, imagen, vídeo, telemetría, base de datos, etc. Utilizan machine learning para localizar patrones en los datos y crear modelos que pronostiquen los resultados futuros en función de los datos históricos. Con MATLAB®, tendrá acceso inmediato a funciones prediseñadas, toolboxes exhaustivas y apps especializadas para la clasificación, la regresión y el clustering. Es posible:

  • Comparar enfoques tales como la regresión logística, los árboles de clasificación, las máquinas de vector soporte, los métodos combinados y el deep learning.
  • Utilizar técnicas de reducción y perfeccionamiento de modelos para crear un modelo preciso que capture mejor el poder predictivo de sus datos.
  • Integrar modelos de machine learning en sistemas empresariales, clusters y nubes , así como ejecutar los modelos en hardware embebido en tiempo real.

Clasificación

Cree modelos para clasificar los datos en diferentes categorías. Esto puede ayudarle a analizar y visualizar sus datos con mayor precisión.

Puede utilizar la clasificación para aplicaciones tales como el credit scoring, la detección de tumores y el reconocimiento facial. Algunos algoritmos habituales para realizar la clasificación son: máquina de vector soporte (SVM), árboles de decisión boosted y bagged, k-vecino más próximo, Naïve Bayes, análisis discriminante, regresión logística y redes neuronales.

Puede recurrir a deep learning para lograr una precisión extrema en la clasificación de objetos mediante redes neuronales convolucionales.


Regresión

Cree modelos para predecir datos continuos. Con esta información, puede realizar predicciones acerca de puntos de datos futuros. Entre las aplicaciones de regresión están la predicción de la carga eléctrica y el trading algorítmico.

Algunos algoritmos habituales de regresión son: modelo lineal, modelo no lineal, regularización, regresión por pasos, árboles de decisión boosted y bagged, redes neuronales y aprendizaje neurodifuso adaptativo.


Clustering

Detecte agrupaciones y patrones naturales en los datos. El clustering se emplea en los datos sin etiquetar para localizar agrupaciones y patrones naturales. Entre las aplicaciones de clustering están la minería de patrones, la generación de imágenes médicas y el reconocimiento de objetos.

Algunos algoritmos habituales para realizar el clustering son: k-means y k-medoids, clustering jerárquico, modelos de mezclas gaussianas, modelos de Markov ocultos, mapas autoorganizados, clustering difuso de c-means y clustering sustractivo.

Comunidad de machine learning

Explore y comparta toolboxes o ejemplos generados por los usuarios; también podrá acceder a MATLAB Answers para encontrar soluciones a sus dudas.