MATLAB para machine learning
Entrenamiento de modelos, ajuste de parámetros y despliegue en producción o en el perímetro
Mediante el uso de MATLAB®, ingenieros y otros expertos han desplegado miles de aplicaciones de machine learning. MATLAB simplifica las partes más difíciles del machine learning gracias a:
- Apps de apuntar y hacer clic para entrenar y comparar modelos
- Técnicas avanzadas de procesamiento de señales y extracción de funcionalidades
- Ajuste automático de hiperparámetros y selección de funcionalidades para optimizar el rendimiento de los modelos
- Capacidad de usar el mismo código para escalar el procesamiento para big data y clusters
- Generación automatizada de código C/C++ para aplicaciones embebidas y de alto rendimiento
- Algoritmos de clasificación, regresión y clustering de uso común para el aprendizaje supervisado y no supervisado
- Ejecución más rápida que con código abierto en la mayor parte de los cálculos estadísticos y de machine learning
See How Others Use MATLAB for Machine Learning
Automotive
BMW
Detecting Oversteering with Machine Learning
Utilities and Energy
Baker Hughes
Predictive Maintenance for Gas and Oil Extraction Equipment Using Data Analytics and Machine Learning
Neuroscience
Battelle
Neural Bypass Technology Restores Movement to a Paralyzed Man’s Arm and Hand
Apps y algoritmos interactivos
Escoja entre una gran variedad de los algoritmos de clasificación, clustering y regresión más conocidos. Utilice apps de clasificación y regresión para entrenar, comparar, ajustar y exportar modelos de forma interactiva para continuar con el análisis, la integración y el despliegue. Si escribir código es más su estilo, puede optimizar aún más los modelos con la selección de funcionalidades y el ajuste de parámetros.
Machine learning automatizado (AutoML)
Genere automáticamente funcionalidades a partir de datos de entrenamiento y optimice modelos utilizando técnicas de ajuste de hiperparámetros como la optimización bayesiana. Utilice técnicas especializadas de extracción de funcionalidades, como la dispersión de wavelets para datos de señales o imágenes, y técnicas de selección de funcionalidades, como el análisis de componentes vecinos (NCA) o la selección de funcionalidades secuencial.
Generación de código
Despliegue modelos de machine learning y estadística en sistemas embebidos mediante la generación de código C o C++ legible para todo el algoritmo de machine learning, incluido el preprocesamiento y el posprocesamiento. Actualice los parámetros de los modelos desplegados sin volver a generar el código de predicción C/C++. Acelere la verificación y la validación de sus simulaciones de alta fidelidad utilizando modelos de machine learning mediante bloques de funciones de MATLAB y bloques de sistema en Simulink®.
Escalado y rendimiento
Utilice arrays altos para entrenar modelos de machine learning con conjuntos de datos demasiado grandes para caber en la memoria, con cambios mínimos en su código. También puede acelerar los cálculos estadísticos y el entrenamiento de modelos mediante cálculos paralelos en su equipo de escritorio, en clusters o en la nube.
Temas relacionados
Deep learning
Diseño, creación y visualización de redes neuronales convolucionales.
Data science
Desarrolle conocimiento basado en los datos que conduzca a mejores diseños y decisiones.
Mantenimiento predictivo
Desarrolle y despliegue software de supervisión de condiciones y mantenimiento predictivo.
Cómo empezar con rapidez
Machine Learning Onramp
Una introducción interactiva sobre métodos prácticos de machine learning para problemas de clasificación.
Explore los recursos para iniciarse
Vea una demostración, explore ejemplos interactivos y acceda a tutoriales gratuitos.
Consiga una prueba gratuita
Treinta días de exploración a su alcance.
