Nouveautés

Découvrez les nouvelles fonctionnalités de MATLAB pour le Machine Learning

R2020b Highlights for Machine Learning

AutoML

Automatically select the best model and associated hyperparameters for regression

Simulink

Simulate and generate code and speed up training of SVM models in Simulink

Model Interpretability

Obtain locally interpretable model-agnostic explanations by finding important predictors (LIME)

Explore all of the Latest Machine Learning Features

Applications interactives

  • Utilisez les applications Classification Learner et Regression Learner pour l’exploration interactive des données, la sélection des caractéristiques ainsi que l’apprentissage et l’évaluation des modèles de classification et de régression supervisés.
  • Nouveau Réglez automatiquement les hyperparamètres et appliquez les matrices de coûts à partir des applications d'apprentissage
  • Traitez vos données à l’aide d’un vaste choix de distributions de probabilité et découvrez les effets des changements de valeurs des paramètres grâce à l’application Distribution Fitter

Produits associés : Statistics and Machine Learning Toolbox

Optimisation de modèle automatisée

  • Nouveau Optimisez simultanément le type de modèle et les hyperparamètres
  • Réglez automatiquement les hyperparamètres avec l’optimisation bayésienne
  • Sélectionnez automatiquement un sous-ensemble de caractéristiques pertinentes avec des méthodes telles que l'analyse NCA (Neighborhood Component Analysis) et le classement de caractéristiques
  • Parallélisez l'exécution de méthodes d'optimisation automatisées sur plusieurs cœurs en utilisant Parallel Computing Toolbox, et évoluez vers des clouds et des clusters avec MATLAB Parallel Server

Produits associés : MATLAB Parallel ServerParallel Computing ToolboxStatistics and Machine Learning Toolbox

Algorithmes de Machine Learning et statistiques 

  • Tirez parti des algorithmes couramment utilisés pour la classification et la régression, tels que les modèles linéaires et les modèles linéaires généralisés, les machines à vecteurs de support, les arbres de décision, les méthodes ensemblistes et bien plus encore 
  • Utilisez les algorithmes de clustering les plus courants, notamment la méthode des k-moyennes, k-médoïdes, le clustering hiérarchique, les mélanges gaussiens et les chaînes de Markov cachées
  • NouveauUtilisez le clustering spatial basé sur la densité des applications avec bruit (DBSCAN) et le clustering spectral de formes arbitraires
  • Effectuez des calculs statistiques et de Machine Learning plus rapidement qu’avec les outils open source  

Produits associés : Statistics and Machine Learning Toolbox

Visualisation des données

  • Explorez la structure de vos données et les relations entre les caractéristiques avec des scatter plots, des box plots, de dendrogrammes et d’autres méthodes de visualisation statistique standards
  • Utilisez des algorithmes avancés de réduction de la dimensionnalité tels que l'algorithme t-SNE (Stochastic Neighbor Embedding)
  • Visualisez des données haute densité grâce à des scatter plots améliorés dans l’application Classification Learner
  • Nouveau Créez des matrices de confusion à partir des tall arrays

Produits associés : Statistics and Machine Learning Toolbox

Déploiement 

  • Générez automatiquement du code C/C++ pour les algorithmes de classification, de régression et de clustering les plus utilisés
  • Nouveau Déployez sur des processeurs à mémoire et/ou puissance de calcul limitée avec l'arithmétique virgule fixe
  • Nouveau Mettez à jour les paramètres des modèles déployés tels que le SVM, les modèles linéaires et les arbres de décision, sans regénérer le code C/C++ pour la prédiction

Produits associés : MATLAB Coder, MATLAB Compiler, Statistics and Machine Learning Toolbox

Big Data 

  • Utilisez les tall arrays avec de nombreux algorithmes de classification, de régression et de clustering pour entraîner des modèles sur des jeux de données qui ne tiennent pas en mémoire
  • Adaptez des modèles de classification multi-classes, optimisez des hyperparamètres et spécifiez les coûts avec des tall arrays
  • Utilisez des approximations rapides de moyennes, des quantiles et des partitions non stratifiées sur les données hors mémoire

Produits associés : Parallel Computing Toolbox, Statistics and Machine Learning Toolbox