ドキュメンテーション

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

機械学習および深層学習

機械学習および深層学習のウェーブレットベースの手法

ウェーブレット手法は、データに関する詳細な情報を得るには有用です。これらの手法を機械学習および深層学習のワークフローで使用できます。次に例を示します。

  • ウェーブレット散乱により、不変の特徴がデータから自動的に抽出されます。これらの特徴を機械学習アルゴリズムと共に使用することでデータを分類できます。

  • 連続ウェーブレット変換は、急峻な時間-周波数表現を生成します。この表現を使用して、AlexNet および GoogLeNet を含む転移学習手法を使用する事前学習済みの深層畳み込みニューラル ネットワークを微調整できます。

トピック

ウェーブレット時間散乱

実数値時系列データから低分散の特徴を導出します。

連続および離散ウェーブレット変換

離散ウェーブレット変換と連続ウェーブレット変換のどちらを使用するか決定します。

事前学習済みの畳み込みニューラル ネットワーク (Deep Learning Toolbox)

分類、転移学習、特徴抽出用の事前学習済みの畳み込みニューラル ネットワークのダウンロード方法と使用方法を学習します。

分類学習器アプリを使用したサポート ベクター マシンの学習 (Statistics and Machine Learning Toolbox)

サポート ベクター マシン (SVM) 分類器を作成および比較し、新しいデータについて予測を行うため学習済みモデルをエクスポートします。

注目の例