Machine Learning con MATLAB

MATLAB per il Machine Learning

Addestramento di modelli, regolazione dei parametri e distribuzione di applicazioni

Utilizzando MATLAB^®, ingegneri ed esperti del settore hanno progettato e distribuito migliaia di applicazioni per il Machine Learning. MATLAB semplifica il Machine Learning grazie alle seguenti caratteristiche:

App “point and click” per l’addestramento e il confronto di modelli
Tecniche avanzate di elaborazione di segnali ed estrazione delle feature
Machine Learning automatico (AutoML) con selezione delle feature, selezione di modelli e regolazione degli iperparametri
Capacità di utilizzare lo stesso codice per scalare l'elaborazione a big data e cluster
Generazione automatica di codice C/C++per applicazioni embedded e ad alte prestazioni
Integrazione di Simulink come codice nativo o di blocchi funzione MATLAB per la distribuzione embedded o le simulazioni
Tutti gli algoritmi diffusi di classificazione, regressione e clustering per l’apprendimento con e senza supervisione
Migliore performance di esecuzione rispetto a piattaforme open source sulla maggior parte dei calcoli statistici e di Machine Learning

Serie di articoli

Domande e risposte sul Machine Learning e il Deep Learning

Leggi ora

Applicazioni di IA con MATLAB e Simulink

Dai un’occhiata ai casi dei nostri clienti in relazione a guida autonoma, robotica, visione artificiale e altro ancora.

Scopri i ricercatori presenti, i temi dei progetti e le pubblicazioni correlate.

Applicazioni e algoritmi interattivi

Scegli tra un’ampia varietà di algoritmi di classificazione, regressione e clustering, tra cui anche reti neurali “superficiali” (fino a tre layer) insieme ad altri modelli di Machine Learning. Utilizza le app di classificazione e di regressione per addestrare, confrontare, ottimizzare ed esportare in modo interattivo i modelli e per sottoporli a ulteriore analisi, integrazione e distribuzione. Se invece preferisci scrivere il codice, puoi rifinire ulteriormente i modelli con la selezione delle feature e la regolazione dei parametri.

Interpretabilità dei modelli

Supera la natura di “scatola nera” del Machine Learning applicando metodi di interpretabilità prestabiliti, come grafici di dipendenza parziale, LIME, valori di Shapley e modelli additivi generalizzati (GAM). Verifica che il modello utilizzi le giuste prove per le proprie previsioni e identifica bias del modello non evidenti in fase di addestramento.

Machine Learning automatizzato (AutoML)

Genera automaticamente le feature dai dati di addestramento e ottimizza i modelli mediante tecniche di regolazione degli iperparametri con tecniche di ottimizzazione Bayesiana. Utilizza specifiche tecniche di estrazione delle feature come wavelet scattering per dati di segnali o immagini e tecniche di selezione delle feature quali Neighborhood Component Analysis (NCA), Minimum Redundancy Maximum Relevance (MRMR) o selezione sequenziale delle feature.

Ulteriori informazioni

Generazione di codice e integrazione con Simulink

Distribuisci modelli statistici e di Machine Learning su sistemi embedded generando automaticamente codice C/C++ leggibile per il tuo algoritmo di Machine Learning, pre e post elaborazione incluse. Accelera il processo di verifica e convalida delle tue simulazioni ad alta fedeltà con i modelli di Machine Learning tramite i blocchi funzione e i blocchi nativi MATLAB in Simulink.

Ulteriori informazioni

Uso di un modello di Machine Learning in Simulink per accettare dati in streaming e prevedere il punteggio di classificazione ed etichettatura con un modello SVM.

Scaling e performance

Utilizza i tall array per addestrare i modelli di Machine Learning a partire da set di dati troppo grandi per essere contenuti nella memoria, apportando modifiche minime al codice. Puoi inoltre accelerare i calcoli statistici e l’addestramento dei modelli eseguendo il calcolo parallelo sul tuo desktop, su cluster o cloud.

Ulteriori informazioni