機械学習向けMATLAB

モデルのトレーニング、パラメーター調整を行い、本番環境やエッジに展開

評価版

Machine Learning Onramp

エンジニアや各分野の専門家による、何千もの機械学習アプリケーションの展開に MATLAB^® が使用されています。MATLAB は機械学習における課題を、以下のような機能によって解消することができます。

クリック操作が可能なアプリによるモデルのトレーニングおよび比較
高度な信号処理および特徴抽出の手法
ハイパーパラメーターの自動調整および特徴選択によるモデルパフォーマンスの最適化
コードを変更することなくビッグデータおよびクラスターに計算処理をスケーリング
組み込みアプリケーションおよび高性能アプリケーション向け C/C++ コードの自動生成
教師あり学習と教師なし学習の主要な分類、回帰、クラスタリングのアルゴリズムに対応
大半の統計および機械学習の計算において、オープンソースツールよりも速い実行速度

記事シリーズ

機械学習とディープラーニングに関する質問と回答

詳細はこちら

スライドショー

MATLABによる機械学習

スライドを見る

MATLAB による機械学習の導入事例

Automotive

PathPartner

PathPartner Develops Machine Learning Algorithms for Radar-Based Automotive Applications

Energy Production and IA&M

RWE Renewables, Hydro Quebec, IMCORP

Utility Asset Condition Monitoring and Predictive Maintenance using Machine Learning and Artificial Intelligence

自動車

Bosch

自動車用テストデータ解析プラットフォームを開発し、検証期間を平均で40～50%短縮。開発期間を3～4か月短縮

その他のユーザー事例を見る

インタラクティブなアプリとアルゴリズム

多種に及ぶ最も一般的な分類、クラスタリング、および回帰アルゴリズムから選択します。現在、他の機械学習モデルと共に「浅い」ニューラルネット (最大 3 層) も含まれています。機械学習の最も一般的な手法である分類、クラスタリング、回帰の、広範なアルゴリズムを選択できます。分類や回帰のアプリを使用して、モデルを対話型にトレーニング、比較、調整、エクスポートし、更なる分析、統合、展開を行うことができます。コードの記述のほうが望ましい場合は、特徴選択やパラメーターの調整を通じてモデルをさらに最適化できます。

モデルの解釈可能性

部分従属プロット、LIME、シャープレイ値、一般化加法モデル (GAM) などの確立された解釈可能性手法を適用することにより、機械学習のブラックボックス的性質を克服します。モデルがその予測を行うのに適切な証拠を使用しているかどうかを検証し、学習中には明らかにならなかったモデルのバイアスを検出します。

自動化された機械学習 (AutoML)

トレーニングデータから自動的に特徴を生成し、ベイズ最適化のようなハイパーパラメーター調整手法を使用してモデルを最適化します。信号や画像のデータにウェーブレット散乱などの特定用途向けの特徴抽出手法を用いたり、近傍成分分析 (NCA)、Minimum Redundancy Maximum Relevance (MRMR)、逐次特徴選択などの特徴選択手法を使用したりします。

関連情報

コードの生成

前処理および後処理を含む、機械学習全体のアルゴリズムの、読み取り可能な C/C++ コードを生成し、統計モデルと機械学習モデルを組み込みシステムに展開します。C/C++ 予測コードを再生成せずに、展開済みモデルのパラメーターを更新します。Simulink^® で MATLAB Function ブロックとシステムブロックから機械学習モデルを使用して、高忠実にシミュレーションの検証と確認の作業を高速化します。