Machine learning con MATLAB

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

Deep learning y machine learning tradicional: cómo elegir el enfoque correcto

Descubra cómo otras personas utilizan MATLAB para machine learning

Automoción

BMW

Detección del sobreviraje con machine learning

Servicios públicos y energía

Baker Hughes

Mantenimiento predictivo para equipos de extracción de gas y petróleo mediante data analytics y machine learning

Neurociencia

Battelle

La tecnología de bypass neuronal restaura el movimiento del brazo y la mano de un hombre paralizado

Vea más casos de éxito

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.

Más información
Exploración de ejemplos, artículos y tutoriales relacionados con machine learning
La app Classification Learner puesta a prueba

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.

Más información

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^®.

Más información

Uso de un modelo de machine learning en Simulink para aceptar datos de streaming y predecir la etiqueta y la puntuación de clasificación con un modelo SVM.

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.

Más información