機器學習(Machine Learning)與深度學習 (Deep Learning)

MATLAB & Simulink解決方案 - 機器學習(Machine Learning)與深度學習 (Deep Learning)

工程師和數據科學家需處理各種各類的大量資料，像是感測器、圖片、影片、遙測工具和資料庫等不同來源的數據。他們利用機器學習來尋找數據模式(pattern)和基於歷史資料建構對未來的預測模型。有了MATLAB，你可以立即使用內建的函式，豐富的工具箱，和專門的應用程式(MATLAB APP)進行分類(classification)、迴歸(regression)和分群(clustering)。

您可以：

  • 比較方法，如迴歸、分類樹(classification trees)、支持向量機(support vector machines, SVM)、整體學習方法(ensemble methods)和深度學習(Deep learning)。
  • 使用模型精化和簡化技巧來建立最能擷取數據並預測的精確模型。
  • 整合機器學習模型到企業系統、叢集和雲端，以及將目標模型在嵌入式硬體上即時執行。

Classification分類

MATLAB可協助建立將數據分類的各式模型，以幫助您更準確地分析和對數據進行視覺化。

您可以使用分類的應用程式(APP)，如信用評分、腫瘤檢測和人臉識別。用於執行常見的分類演算法包括SVMs(support vector machines)、boosted和bagged決策樹、KNN(k-nearest neighbor)、單純貝氏(Naïve Bayes)分類、判別分析(discriminant analysis)、羅吉斯迴歸(logistic regression)和類神經網絡。

您可使用深度學習(Deeping Learning)中的卷積神經網路(Convolutional Neural Network, CNN)，實現最先進的準確性目標物件分類。

使用者範例

Regression迴歸

MATLAB也能協助建立去預測連續數據的模型，有了這些訊息，你可以對未來的數據進行預測。迴歸的應用包括用電負荷預測和財務金融運用的演算法交易等。

可以支援迴歸常用演算法，例如線性迴歸、非線性迴歸、正則化迴歸(Regularized)、Boosted及bagged迴歸樹線性模型、類神經網路和適應性模糊類神經網路(adaptive neuro-fuzzy learning)。

使用者範例

Clustering 分群

MATLAB的機器學習技術，可協助找出數據中的自然分組和模式(patterns)。分群演算法常被使用在無標籤的數據中以找出其自然分組和形態。分群的應用包括形態探勘(pattern mining)、醫學影像和物件辨識(object recognition.)。

MATLAB的機器學習技術，提供了多種相關分群分析的演算法， 包含k-means 以及k-medoids、 階層次分群法(hierarchical clustering) 、 高斯混合模型(Gaussian mixture models) 或 隱藏馬爾可夫模型(hidden Markov models)、自組織映射圖(Self-Organizing Maps)、Fuzzy C-Means (FCM)和減法分群(subtractive clustering)等

使用者範例

MATLAB與深度學習 (Deep learning)

深度學習是機器學習的一個分支，使用多個非線性處理層從數據直接學習有用的功能表徵。 深度學習模型可以實現高準確度的物件分類，有時甚至能超過人類所能達到的程度。模型使用一大組標記數據和包含多層的類神經網路結構進行訓練。