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

ウェーブレット散乱、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、データ表現や特徴を得るのに有用です。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。

  • ウェーブレット散乱では、低分散のデータ表現を生成できます。これらは定義したスケールでの平行移動に影響を受けず、変形に関して連続です。ウェーブレット散乱では、データのコンパクトな表現を生成するためにユーザー指定のパラメーターがいくつか必要になります。これらの表現を機械学習アルゴリズムと共に分類や回帰に使用できます。

  • 連続ウェーブレット変換 (CWT) を使用すると、時系列データの 2 次元の時間-周波数マップを生成できます。これらは深層畳み込みニューラル ネットワーク (CNN) でイメージ入力として使用できます。深層 CNN で使用する時間-周波数表現を生成すると信号分類に非常に役立ちます。CWT では時系列データにおける定常状態と過渡動作を同時にキャプチャできるため、深層 CNN と組み合わせるとウェーブレットベースの時間-周波数表現が特にロバストになります。

ウェーブレット メソッドを使用すると、統計学習アプリケーション用にスパースの特徴ベクトルも生成できます。ウェーブレット表現のスパース性により、判別性を犠牲にすることなく大幅な次元削減を実現できます。

関数

waveletScatteringWavelet time scattering
waveletScattering2Wavelet image scattering

トピック

ウェーブレット散乱

実数値の時系列およびイメージのデータから低分散の特徴を導出します。

事前学習済みの深層ニューラル 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