MATLAB for Machine Learning

Train models, tune parameters, and deploy to production or the edge

Grâce à MATLAB®, les ingénieurs et experts métier 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 des modèles
  • Des techniques avancées de traitement du signal et d’extraction de caractéristiques
  • Le réglage automatique des hyperparamètres et la sélection des caractéristiques visant à optimiser les performances du modèle
  • La possibilité d’utiliser le même code pour appliquer les traitements aux big data et aux clusters 
  • La génération automatique de code C/C++ pour les applications embarquées et haute performance
  • 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

Découvrez comment nos clients utilisent MATLAB pour le Machine Learning

Panel Navigation

Automobile

PathPartner

PathPartner développe des algorithmes de Machine Learning pour des applications automobiles basées sur les radars

Panel Navigation

Production d'énergie, automatisation et machines industrielles

RWE Renewables, Hydro Quebec, IMCORP

Surveillance de l'état et maintenance prédictive des équipements avec le Machine Learning et l'intelligence artificielle

Panel Navigation

Équipements médicaux, communications, électronique et semi-conducteurs

Kinesis Health Technologies

Évaluation du risque de chute chez les personnes âgées avec des capteurs d'inertie et le 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. Choisissez parmi de nombreux algorithmes de classification, de clustering et de régression les plus populaires. Utilisez des applications de régression et de classification pour entraîner, comparer, régler et exporter interactivement des modèles pour 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.

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.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 entrainées 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.

Génération de code

Déployez des modèles de Machine Learning et de statistiques dans des systèmes embarqués en générant du code C ou C++ pour l'ensemble de votre algorithme de Machine Learning, en intégrant les pré- et post- traitements. Mettez à jour les paramètres des modèles déployés sans regénérer le code C/C++ de la prédiction. Accélérez la vérification et la validation de vos simulations haute-fidélité en utilisant des modèles de Machine Learning dans des blocs MATLAB Function et MATLAB System de Simulink®.

Mise à l'échelle et performance

Utilisez des tall arrays pour entraîner des modèles de Machine Learning sur des jeux de données trop volumineux pour tenir dans la mémoire de la machine, avec un minimum de modifications apportées à votre code. Accélérez les calculs statistiques et l’apprentissage de modèles grâce au calcul parallèle sur votre PC, des clusters ou dans le cloud.

Autour du Machine Learning

Panel Navigation

Deep Learning

Concevez, développez et visualisez des réseaux de neurones à convolution.

Panel Navigation

Data Science

Développez de nouvelles perspectives à partir des données et optimiser vos designs et vos décisions.

Panel Navigation

Maintenance prédictive

Développez et déployez des logiciels de maintenance prédictive et de surveillance d'état.

Démarrez rapidement

Interactive Examples

Run examples in your browser to see MATLAB in action.

Présentation du Machine Learning

Une présentation interactive des 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 plus

Découvrez Statistics and Machine Learning Toolbox