terasoft

MATLAB 與機器學習

工程師以及其他的領域專家已經利用MATLABR部署了成千上萬的機器學習應用。MATLAB透過以下幾種方式,讓機器學習困難的地方變得更容易:

  • 透過點擊操作的app,可用來進行模型訓練和比較
  • 先進的訊號處理和特徵擷取技巧
  • 自動機器學習(automatic machine learning,AutoML),包含特徵選擇、模型選擇以及超參數調整
  • 使用相同的程式碼來擴大處理大數據及叢集的能力
  • 為嵌入式和高效能的應用自動產生C/C++程式碼
  • 作為原生或MATLAB Function模塊與Simulink整合,以便於嵌入式部署和模擬
  • 各種適用於監督式(supervised)和非監督式(unsupervised)學習的熱門分類(classification)、迴歸(regression)、以及分群(clustering)演算法
  • 比其他開源工具更快速地執行大多數的統計與機器學習計算

MATLAB與機器學習

使用MATLAB於機器學習之成功案例

互動式app與演算法

有各種最熱門的分類、分群與迴歸演算法可供選擇。使用分類和迴歸app來互動地訓練、比較、調整及匯出模型以進行更進一步的分析、整合、部署。如果你偏好編寫程式碼,你也可以透過特徵選擇與參數調整來進一步優化模型。運用部分相依圖表(Partial Dependence plots)和LIME等已建立的解釋方法來克服機器學習的黑盒子特性。

了解更多

自動機器學習 (AutoML)

使用貝葉斯優化(Bayesian optimization)等超參數調整技巧來自動從訓練資料及最適模型產生特徵。使用小波散射(wavelet scattering)等特定的特徵擷取技巧於訊號或影像資料的處理,以及鄰里成分分析(neighborhood component analysis,NCA)或序列特徵選擇(sequential feature selection)等特徵選取技巧。

了解更多

程式碼生成與Simulink整合

將統計與機器學習模型部署於嵌入式系統,並且為包含前處理到後處理等步驟的完整機器學習演算法產生可讀之C或C++程式碼。透過使用MATLAB函式模塊與Simulink原生的模塊的機器學習模型加速高逼真度模擬的驗證及有效性檢驗。

了解更多

拓展與效能

只需要稍稍修改你的程式碼,就可以使用tall arrays,在超過記憶體容量的大量資料集上訓練機器學習模型。你也可以透過桌上型電腦、電腦叢集、或者雲端上的平行運算功能來加速統計運算和模型訓練。

了解更多