MATLAB para Machine Learning

Entrene modelos, ajuste parámetros y despliegue en producción o en dispositivos edge

Con MATLAB®, ingenieros y expertos de varios sectores han desplegado miles de aplicaciones de Machine Learning. MATLAB ayuda a superar las dificultades de Machine Learning con:

  • Apps de estilo point-and-click para entrenar y comparar modelos
  • Técnicas avanzadas de procesamiento de señales y extracción de características
  • Machine Learning automático (AutoML) que incluye selección de características y modelos, y ajuste de hiperparámetros
  • Posibilidad de usar el mismo código para escalar el procesamiento a big data y clusters
  • Generación automatizada de código C/C++ para aplicaciones integradas y de alto rendimiento
  • Integración con Simulink de forma nativa o con bloques Function de MATLAB para realizar simulaciones o despliegues integrados
  • Todos los algoritmos de clasificación, regresión y agrupación de uso habitual para el aprendizaje supervisado y no supervisado
  • Ejecución más rápida que con código abierto en la mayoría de los cálculos estadísticos y de Machine Learning

Descubra cómo otras empresas utilizan
MATLAB para Machine Learning

Panel Navigation

Automoción

PathPartner

PathPartner desarrolla algoritmos de Machine Learning para aplicaciones de automoción basadas en radar

Panel Navigation

Producción de energía e IA&M

RWE Renewables, Hydro Quebec, IMCORP

Supervisión de condiciones y mantenimiento predictivo de activos de empresas de servicios públicos con Machine Learning e inteligencia artificial

Panel Navigation

Dispositivos médicos y CES

Kinesis Health Technologies

Evaluación del riesgo de caídas en adultos de edad avanzada con sensores inerciales y Machine Learning

Apps y algoritmos interactivos

Escoja entre los algoritmos de clasificación, agrupación y regresión más conocidos, así como redes neuronales “superficiales” de hasta tres capas, junto con otros modelos de Machine Learning. Utilice apps de clasificación y regresión para entrenar, comparar, ajustar y exportar modelos de forma interactiva para su posterior análisis, integración y despliegue. Si escribir código es más su estilo, puede optimizar aún más los modelos con la selección de características y el ajuste de parámetros.

Interpretabilidad de modelos

Supere la opacidad de Machine Learning aplicando métodos de interpretabilidad establecidos, como el modelo aditivo generalizado (GAM), gráficas de dependencia parcial, LIME y valores de Shapley. Compruebe que el modelo esté utilizando la evidencia correcta para realizar predicciones e identifique sesgos que no se hayan detectado durante el entrenamiento.

Machine Learning automatizado (AutoML)

Genere características automáticamente 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 características, como la dispersión de wavelets para datos de señales o imágenes, y técnicas de selección de características, como el análisis de componentes vecinos (NCA), el método de mínima redundancia y máxima relevancia (MRMR) y la selección de características secuencial.

Generación de código e integración con Simulink

Despliegue modelos de Machine Learning y estadística en sistemas integrados y genere código C o C++ legible para todo el algoritmo de Machine Learning, incluidos los pasos de preprocesamiento y posprocesamiento. Acelere la verificación y la validación de las simulaciones de alta fidelidad con modelos de Machine Learning a través de bloques de funciones de MATLAB y bloques nativos en Simulink.

Escalado y rendimiento

Utilice arrays altos para entrenar modelos de Machine Learning con conjuntos de datos demasiado grandes para la capacidad de la memoria, con cambios mínimos de 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

Panel Navigation

Deep Learning

Diseñe, cree y visualice redes neuronales convolucionales

Panel Navigation

Data Science

Saque nuevas conclusiones a partir de datos para tomar mejores decisiones y optimizar sus diseños.

Panel Navigation

Mantenimiento predictivo

Desarrolle y despliegue software de supervisión de condiciones y mantenimiento predictivo.

Iníciese rápidamente

Ejemplos interactivos

Ejecute ejemplos en el navegador para ver MATLAB en acción.

Machine Learning Onramp

Introducción interactiva a los métodos prácticos de Machine Learning para problemas de clasificación.

Explore los recursos de introducción

Vea una demostración, explore ejemplos interactivos y acceda a tutoriales gratuitos.

30 días de exploración a su alcance

Más información

Statistics and Machine Learning Toolbox

Analice y modele datos con estadística y Machine Learning