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
Guarda come gli altri utilizzano MATLAB per il Machine Learning
Settore automobilistico
PathPartner
PathPartner sviluppa algoritmi di Machine Learning per applicazioni automobilistiche basate su radar
Produzione di energia e automazione industriale e macchinari
RWE Renewables, Hydro Quebec, IMCORP
Monitoraggio delle condizioni degli asset di servizio e manutenzione predittiva con il Machine Learning e l’intelligenza artificiale
Dispositivi medici e CES
Kinesis Health Technologies
Valutazione del rischio di caduta degli adulti più anziani con sensori inerziali e Machine Learning
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.
Per saperne di più
- Che cos’è AutoML?
- Machine Learning applicato, parte 3: ottimizzazione di iperparametri (4:43)
- Selezione automatizzata di modelli e ottimizzazione degli iperparametri in un solo passaggio
- Machine Learning automatizzato (AutoML) con MATLAB (3:08)
- Primi passi con AutoML utilizzando MATLAB (scheda riassuntiva)
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.
Per saperne di più
- Tecniche principali per l’esecuzione del proprio modello di Machine Learning su dispositivi embedded (2:30)
- Aggiornamento dei parametri dei modelli per la generazione di codice codice
- Integrazione della previsione SVM in Simulink® utilizzando blocchi nativi
- Generazione di codice C/C++ a virgola fissa per la previsione 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.
Argomenti correlati
Deep Learning
Progetta, costruisci e visualizza reti neurali convoluzionali.
Data Science
Estrai indicazioni dai dati per migliorare progetti e processi decisionali.
Manutenzione predittiva
Sviluppa e distribuisci software di monitoraggio delle condizioni e di manutenzione predittiva.
Inizia subito
Esempi interattivi
Esegui degli esempi nel tuo browser per vedere MATLAB in azione.
Machine Learning Onramp
Un’introduzione interattiva ai metodi pratici di Machine Learning per i problemi di classificazione.
Consulta le risorse introduttive
Guarda una dimostrazione, esplora gli esempi interattivi e accedi a tutorial gratuiti.
30 giorni di prova gratuita
Inizia ora
Statistics and Machine Learning Toolbox
Analisi e modellazione di dati utilizzando statistica e Machine Learning
