Machine Learning con MATLAB

MATLAB para Machine Learning

Entrene modelos, ajuste parámetros y despliegue en producción o en dispositivos edge

Con MATLAB^®, ingenieros y expertos de varios sectores han desplegado miles de aplicaciones de Machine Learning. MATLAB ayuda a superar las dificultades de Machine Learning con:

Apps de estilo point-and-click para entrenar y comparar modelos
Técnicas avanzadas de procesamiento de señales y extracción de características
Machine Learning automático (AutoML) que incluye selección de características y modelos, y ajuste de hiperparámetros
Posibilidad de usar el mismo código para escalar el procesamiento a big data y clusters
Generación automatizada de código C/C++ para aplicaciones integradas y de alto rendimiento
Integración con Simulink de forma nativa o con bloques Function de MATLAB para realizar simulaciones o despliegues integrados
Todos los algoritmos de clasificación, regresión y agrupación de uso habitual para el aprendizaje supervisado y no supervisado
Ejecución más rápida que con código abierto en la mayoría de los cálculos estadísticos y de Machine Learning

Serie de artículos

Preguntas y respuestas sobre Machine Learning y Deep Learning

Lea ahora

Aplicaciones de IA con MATLAB y Simulink

Vea casos prácticos sobre conducción autónoma, robótica, visión artificial y mucho más.

Explore investigaciones destacadas, temas sobre proyectos y publicaciones relacionadas.

Apps y algoritmos interactivos

Escoja entre los algoritmos de clasificación, agrupación y regresión más conocidos, así como redes neuronales “superficiales” de hasta tres capas, junto con otros modelos de Machine Learning. Utilice apps de clasificación y regresión para entrenar, comparar, ajustar y exportar modelos de forma interactiva para su posterior análisis, integración y despliegue. Si escribir código es más su estilo, puede optimizar aún más los modelos con la selección de características y el ajuste de parámetros.

Interpretabilidad de modelos

Supere la opacidad de Machine Learning aplicando métodos de interpretabilidad establecidos, como el modelo aditivo generalizado (GAM), gráficas de dependencia parcial, LIME y valores de Shapley. Compruebe que el modelo esté utilizando la evidencia correcta para realizar predicciones e identifique sesgos que no se hayan detectado durante el entrenamiento.

Machine Learning automatizado (AutoML)

Genere características automáticamente a partir de datos de entrenamiento y optimice modelos utilizando técnicas de ajuste de hiperparámetros como la optimización bayesiana. Utilice técnicas especializadas de extracción de características, como la dispersión de wavelets para datos de señales o imágenes, y técnicas de selección de características, como el análisis de componentes vecinos (NCA), el método de mínima redundancia y máxima relevancia (MRMR) y la selección de características secuencial.

Más información

Generación de código e integración con Simulink

Despliegue modelos de Machine Learning y estadística en sistemas integrados y genere código C o C++ legible para todo el algoritmo de Machine Learning, incluidos los pasos de preprocesamiento y posprocesamiento. Acelere la verificación y la validación de las simulaciones de alta fidelidad con modelos de Machine Learning a través de bloques de funciones de MATLAB y bloques nativos en Simulink.

Más información

Uso de un modelo de Machine Learning en Simulink para aceptar datos de streaming y predecir la etiqueta y la puntuación de clasificación con un modelo SVM.

Escalado y rendimiento

Utilice arrays altos para entrenar modelos de Machine Learning con conjuntos de datos demasiado grandes para la capacidad de la memoria, con cambios mínimos de código. También puede acelerar los cálculos estadísticos y el entrenamiento de modelos mediante cálculos paralelos en su equipo de escritorio, en clusters o en la nube.

Más información