Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Aprendizaje automático enMATLAB

¿Qué es Machine Learning?

enseña a las computadoras a hacer lo que viene naturalmente a los seres humanos: aprender de la experiencia.Aprendizaje automático Los algoritmos de aprendizaje automático utilizan métodos computacionales para "aprender" información directamente de los datos sin depender de una ecuación predeterminada como modelo. Los algoritmos mejoran de forma adaptativa su rendimiento a medida que aumenta el número de muestras disponibles para el aprendizaje.

El aprendizaje automático utiliza dos tipos de técnicas: el aprendizaje supervisado, que entrena un modelo en datos de entrada y salida conocidos para que pueda predecir salidas futuras, y aprendizaje no supervisado, que encuentra patrones ocultos o estructuras intrínsecas en los datos de entrada.

El objetivo del aprendizaje automático supervisado es construir un modelo que haga predicciones basadas en evidencia en presencia de incertidumbre. Un algoritmo de aprendizaje supervisado toma un conjunto conocido de datos de entrada y respuestas conocidas a los datos (salida) y entrena un modelo para generar predicciones razonables para la respuesta a nuevos datos. El aprendizaje supervisado utiliza técnicas de clasificación y regresión para desarrollar modelos predictivos.

  • las técnicas predicen respuestas categóricas, por ejemplo, si un correo electrónico es genuino o spam, o si un tumor es canceroso o benigno.Clasificación Los modelos de clasificación clasifican los datos de entrada en categorías. Las aplicaciones típicas incluyen imágenes médicas, reconocimiento de imágenes y voz, y puntuación de crédito.

  • las técnicas predicen respuestas continuas, por ejemplo, cambios de temperatura o fluctuaciones en la demanda de energía.Regresión Las aplicaciones típicas incluyen la previsión de la carga de electricidad y el comercio algorítmico.

El aprendizaje no supervisado encuentra patrones ocultos o estructuras intrínsecas en los datos. Se utiliza para extraer inferencias de conjuntos de datos que consisten en datos de entrada sin respuestas etiquetadas. es la técnica de aprendizaje no supervisado más común.Clustering Se utiliza para el análisis de datos exploratorios para buscar patrones ocultos o agrupaciones en datos. Las aplicaciones para la agrupación en clústeres incluyen el análisis de secuencias genéticas, la investigación de mercado y el reconocimiento de objetos.

Selección del algoritmo derecho

Elegir el algoritmo adecuado puede parecer abrumador: hay docenas de algoritmos de aprendizaje automático supervisados y no supervisados, y cada uno adopta un enfoque diferente para el aprendizaje. No hay un mejor método o un tamaño se adapta a todos. Encontrar el algoritmo adecuado se basa en parte en la prueba y el error, incluso los científicos de datos altamente experimentados no pueden saber si un algoritmo funcionará sin probarlo. Los modelos altamente flexibles tienden a sobreajustar los datos modelando variaciones menores que podrían ser ruido. Los modelos simples son más fáciles de interpretar, pero pueden tener menor precisión. Por lo tanto, elegir el algoritmo correcto requiere operar con un beneficio frente a otro, incluida la velocidad del modelo, la precisión y la complejidad. La prueba y el error son el núcleo del aprendizaje automático: si un enfoque o algoritmo no funciona, pruebe otro. proporciona herramientas para ayudarle a probar una variedad de modelos de aprendizaje automático y elegir los mejores.MATLAB®

Para encontrar aplicaciones y funciones que le ayuden a resolver tareas de aprendizaje automático, consulte la siguiente tabla.MATLAB Algunas tareas de aprendizaje automático se hacen más fáciles mediante el uso de aplicaciones y otras usan características de línea de comandos.

TareaAplicaciones y funcionesMATLABProductoAprende más
Clasificación para predecir respuestas categóricas

Utilice la aplicación Classification Learner para entrenar automáticamente una selección de modelos y ayudarle a elegir el mejor. Puede generar código para trabajar con scripts.MATLAB

Para más opciones, puede utilizar la interfaz de línea de comandos.

Statistics and Machine Learning Toolbox™

Modelos de clasificación de trenes en la aplicación de aprendizaje de clasificación

ClasificaciónFunciones de clasificación

Regresión para predecir respuestas continuas

Utilice la aplicación Regresión de alumnos para entrenar automáticamente una selección de modelos y ayudarle a elegir el mejor. Puede generar código para trabajar con scripts y otras opciones de función.MATLAB

Para más opciones, puede utilizar la interfaz de línea de comandos.

Statistics and Machine Learning Toolbox

Entrenar modelos de regresión en la aplicación de aprendizaje de regresión

RegresiónFunciones de regresión

ClusteringUtilice funciones de análisis de clústeres. Statistics and Machine Learning Toolbox Análisis de clústeres
Tareas de financiación computacional, como la puntuación de créditoUtilice herramientas para modelar el análisis de riesgos crediticios. Financial Toolbox™
Risk Management Toolbox™
Credit Risk (Financial Toolbox)
Aprendizaje profundo con redes neuronales para clasificación y regresiónUtilice redes y funciones previamente entrenadas para entrenar redes neuronales convolucionales. Deep Learning Toolbox™ Deep Learning in MATLAB (Deep Learning Toolbox)
Reconocimiento facial, detección de movimiento y detección de objetosUtilice herramientas de aprendizaje profundo para el procesamiento de imágenes y la visión por ordenador. Deep Learning Toolbox
Computer Vision Toolbox™
Deep Learning, Semantic Segmentation, and Detection (Computer Vision Toolbox)

El siguiente flujo de trabajo sistemático de aprendizaje automático puede ayudarle a abordar los desafíos de aprendizaje automático. Puede completar todo el flujo de trabajo en .MATLAB

Para integrar el modelo mejor entrenado en un sistema de producción, puede implementar modelos de aprendizaje automático medianteStatistics and Machine Learning Toolbox MATLAB Compiler™. Para muchos modelos, puede generar código C para la predicción mediante MATLAB Coder™.

Modelos de clasificación de trenes en la aplicación de aprendizaje de clasificación

Use la aplicación Classification Learner para entrenar modelos para clasificar datos mediante el aprendizaje automático supervisado. La aplicación le permite explorar el aprendizaje automático supervisado de forma interactiva utilizando varios clasificadores.

  • Entrena automáticamente una selección de modelos y te ayuda a elegir el mejor modelo. Los tipos de modelo incluyen árboles de decisión, análisis discriminante, máquinas vectoriales de soporte, regresión logística, vecinos más cercanos, Bayes ingenuos y clasificación de conjuntos.

  • Explore los datos, especifique esquemas de validación, seleccione entidades y visualice los resultados. De forma predeterminada, la aplicación protege contra el sobreajuste mediante la aplicación de validación cruzada. Como alternativa, puede seleccionar la validación de retención. Los resultados de validación le ayudan a elegir el mejor modelo para sus datos. Las gráficas y las medidas de rendimiento reflejan los resultados del modelo validado.

  • Exporte modelos al espacio de trabajo para realizar predicciones con nuevos datos. La aplicación siempre entrena un modelo con datos completos además de un modelo con el esquema de validación especificado y el modelo completo es el modelo que exporta.

  • Genere código desde la aplicación para crear scripts, entrenar con nuevos datos, trabajar con enormes conjuntos de datos o modificar el código para su posterior análisis.MATLAB

Para obtener más información, consulte .Modelos de clasificación de trenes en la aplicación de aprendizaje de clasificación

Para más opciones, puede utilizar la interfaz de línea de comandos. Ver.Clasificación

Entrenar modelos de regresión en la aplicación de aprendizaje de regresión

Use la aplicación Regresión de alumnos para entrenar modelos para predecir datos continuos mediante el aprendizaje automático supervisado. La aplicación le permite explorar el aprendizaje automático supervisado de forma interactiva mediante varios modelos de regresión.

  • Entrena automáticamente una selección de modelos y te ayuda a elegir el mejor modelo. Los tipos de modelo incluyen modelos de regresión lineal, árboles de regresión, modelos de regresión de procesos gaussianos, máquinas vectoriales de soporte y conjuntos de árboles de regresión.

  • Explore sus datos, seleccione entidades y visualice los resultados. De forma similar a La clase de claseR, el alumno de regresión aplica la validación cruzada de forma predeterminada. Los resultados y las visualizaciones reflejan el modelo validado. Utilice los resultados para elegir el mejor modelo para sus datos.

  • Exporte modelos al espacio de trabajo para realizar predicciones con nuevos datos. La aplicación siempre entrena un modelo con datos completos además de un modelo con el esquema de validación especificado y el modelo completo es el modelo que exporta.

  • Genere código desde la aplicación para crear scripts, entrenar con nuevos datos, trabajar con enormes conjuntos de datos o modificar el código para su posterior análisis.MATLAB

Para obtener más información, consulte .Train Regression Models in Regression Learner App

Para más opciones, puede utilizar la interfaz de línea de comandos. Ver.Regresión

Entrenar redes neuronales para el aprendizaje profundo

le permite realizar un aprendizaje profundo con redes neuronales convolucionales para clasificación, regresión, extracción de características y aprendizaje de transferencia.Deep Learning Toolbox La caja de herramientas proporciona comandos sencillos para crear e interconectar las capas de una red neuronal profunda.MATLAB Ejemplos y redes preentrenadas hacen que sea fácil de usar para el aprendizaje profundo, incluso sin un amplio conocimiento de algoritmos avanzados de visión por computadora o redes neuronales.MATLAB

Para obtener más información, consulte .Deep Learning in MATLAB (Deep Learning Toolbox)

Temas relacionados