Avec MATLAB®, les ingénieurs et experts domaine ont déployé des milliers d'applications de Machine Learning. MATLAB simplifie les tâches les plus complexes du Machine Learning avec :
- Des applications interactives pour l’apprentissage et la comparaison de modèles
- Des techniques avancées de traitement du signal et d'extraction de caractéristiques
- Le Machine Learning automatisé (AutoML), notamment la sélection des caractéristiques et des modèles, et le réglage des hyperparamètres
- La possibilité d’utiliser le même code pour faire évoluer le traitement sur des données Big Data et des clusters
- La génération automatique de code C/C++ pour les applications embarquées et haute performance
- Une intégration dans Simulink basée sur des blocs MATLAB Function ou natifs à des fins de simulation ou de déploiement dans un système embarqué
- Les algorithmes de classification, de régression et de clustering les plus populaires pour l'apprentissage supervisé et non supervisé
- Une exécution plus rapide qu'avec les solutions open source pour la plupart des calculs statistiques et de Machine Learning
Applications interactives et algorithmes
Faites votre choix dans un large éventail d'algorithmes populaires de classification, de clustering et de régression. Des réseaux de neurones « peu profonds » (jusqu'à trois couches) et d'autres modèles de Machine Learning sont désormais également disponibles. Utilisez des applications de régression et de classification pour entraîner, comparer, régler et exporter interactivement des modèles afin d'optimiser les analyses, l'intégration et le déploiement. Si vous préférez écrire du code, vous pouvez optimiser vos modèles grâce à la sélection de caractéristiques et au réglage de paramètres.
- En savoir plus
- Consulter des exemples, des articles et des tutoriels sur le Machine Learning
- Application Regression Learner (3:42)
- Application Classification Learner (4:34)
- Tutoriel sur les Support Vector Machines et leur utilisation dans MATLAB (3:54)
- Quel est l'algorithme de Machine Learning le plus adapté à vos besoins ?

Interprétabilité des modèles
Surmontez le côté « boîte noire » du Machine Learning en appliquant des méthodes d'interprétabilité éprouvées telles que PDP (Partial Dependence Plots), LIME, les valeurs de Shapley et le modèle additif généralisé (GAM). Validez le fait que le modèle utilise des informations valides pour ses prédictions et trouvez les biais du modèle qui n'étaient pas apparents pendant l'apprentissage.

Machine Learning automatisé (AutoML)
Générez automatiquement des caractéristiques à partir des données entraînées et optimisez vos modèles en utilisant des techniques de réglage des hyperparamètres comme l'optimisation bayésienne. Utilisez des techniques spécialisées d'extraction de caractéristiques telles que la diffusion par ondelettes pour les signaux et images, ainsi que des techniques de sélection de caractéristiques comme l'analyse NCA (Neighborhood Component Analysis), MRMR (Minimum Redundancy Maximum Relevance) ou la sélection séquentielle de caractéristiques.
En savoir plus
- Introduction à AutoML
- Application du Machine Learning, partie 3 : optimisation des hyperparamètres (4:43)
- Sélection de modèle et optimisation des hyperparamètres automatisées et réalisées en une seule étape
- Machine Learning automatisé (AutoML) avec MATLAB (3:08)
- Démarrer avec le Machine Learning automatisé (AutoML) en utilisant MATLAB (guide de référence)
Génération de code et intégration dans Simulink
Déployez des modèles de Machine Learning et de statistiques dans des systèmes embarqués, et générez du code C ou C++ pour l'ensemble de votre algorithme de Machine Learning, y compris les étapes de pré- et post-traitement. Accélérez la vérification et la validation de vos simulations haute-fidélité en utilisant des modèles de Machine Learning dans des blocs MATLAB Function et des blocs natifs dans Simulink.
En savoir plus
- Techniques fondamentales pour exécuter votre modèle de Machine Learning sur des dispositifs embarqués (2:30)
- Mettre à jour les paramètres des modèles pour la génération de code
- Intégrer une prédiction SVM dans Simulink® avec des blocs natifs
- Générer du code C/C++ en virgule fixe pour la prédiction SVM
Scalabilité et performance
Utilisez des tall arrays pour entraîner des modèles de Machine Learning sur des jeux de données trop volumineux pour être stockés en mémoire, avec un minimum de modifications à apporter à votre code. Accélérez les calculs statistiques et l’apprentissage de modèles grâce au calcul parallèle sur votre PC, sur des clusters ou dans le cloud.
Autour du Machine Learning
Deep Learning
Concevez, développez et visualisez des réseaux de neurones à convolution.
Data Science
Développez de nouvelles perspectives à partir des données et optimisez vos designs et vos décisions.
Maintenance prédictive
Développez et déployez des logiciels de maintenance prédictive et de surveillance d'état.
Démarrez rapidement
Exemples interactifs
Exécutez les exemples dans votre navigateur pour observer MATLAB en action.
Machine Learning Onramp
Une introduction interactive aux méthodes pratiques de Machine Learning pour résoudre des problèmes de classification.
Ressources pour démarrer
Regardez une démonstration, explorez des exemples interactifs et accédez à des tutoriels gratuits.
Version d'essai gratuite de 30 jours
En savoir plusStatistics and Machine Learning Toolbox
Analysez et modélisez des données grâce aux statistiques et au Machine Learning