Начало работы со средством статистики и машинного обучения

Toolbox™ статистики и машинного обучения предоставляет функции и приложения для описания, анализа и моделирования данных. Можно использовать описательную статистику, визуализации и кластеризацию для анализа исследовательских данных, подгонять распределения вероятностей к данным, создавать случайные числа для моделирования Монте-Карло и выполнять тесты гипотез. Алгоритмы регрессии и классификации позволяют извлекать выводы из данных и строить прогностические модели либо в интерактивном режиме с помощью приложений Classification and Regression Learner, либо программно с помощью AutoML.

Для многомерного анализа данных и извлечения элементов инструментарий предоставляет методы анализа основных компонентов (PCA), регуляризации, уменьшения размерности и выбора элементов, которые позволяют идентифицировать переменные с наилучшей прогностической силой.

Инструментарий предоставляет контролируемые, полууправляемые и неподконтрольные алгоритмы машинного обучения, включая вспомогательные векторные машины (SVM), усиленные деревья решений, k-средства и другие методы кластеризации. Можно применять методы интерпретации, такие как графики частичной зависимости и LIME, и автоматически создавать код C/C + + для встроенного развертывания. Многие алгоритмы панели инструментов могут использоваться в наборах данных, которые слишком велики для хранения в памяти.

Обучающие программы

• Машинное обучение в MATLAB
  

  Узнайте о возможностях машинного обучения в MATLAB ® для классификации, регрессии, кластеризации и глубокого обучения, включая приложения для автоматизированного обучения модели и создания кода.

• Обучение классификационным моделям в приложении Classifier Learner
  

  Рабочий процесс для обучения, сравнения и совершенствования моделей классификации, включая автоматизированное, ручное и параллельное обучение.

• Обучайте регрессионные модели в приложении для учащегося регрессии
  

  Рабочий процесс для обучения, сравнения и совершенствования регрессионных моделей, включая автоматизированное, ручное и параллельное обучение.

• Графики распределения
  

  Визуально сравнить эмпирическое распределение данных выборки с заданным распределением.

• Обзор пользовательского интерфейса генерации случайных чисел
  

  Создание случайных выборок из указанных распределений вероятностей и отображение выборок в виде гистограмм.

• Контролируемый рабочий процесс и алгоритмы обучения
  

  Понять шаги для контролируемого обучения и характеристики непараметрической классификации и регрессионных функций.

• Проектирование экспериментов
  

  Решение проблем статистического моделирования при активном сборе данных.