MATLAB pour le Machine Learning

Entraîner des modèles, régler les paramètres et déployer des modèles en production ou sur dispositif périphérique

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

Série d'articles

Question/Réponses sur le Machine Learning et le Deep Learning

Lire maintenant

Applications d'IA avec MATLAB et Simulink

Lisez les témoignages de nos clients dans les domaines de la conduite autonome, la robotique, la Computer Vision, et plus encore.

Rencontrez des chercheurs et découvrez des thèmes de projet et des publications associées.

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.

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

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

Utiliser un modèle de Machine Learning dans Simulink acceptant des données en entrée et prédisant le label et le score de classification avec un modèle 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.

En savoir plus