AI 및 통계학

머신러닝 및 심층 신경망을 위한 데이터 준비, 설계, 시뮬레이션 및 배포

MATLAB^®은 데이터에 액세스하여 전처리하고, 머신러닝과 예측 모델을 구축하며, 모델을 배포하는 툴을 제공하여 데이터 사이언스를 쉽게 만들어 줍니다.

앱을 사용해서 혹은 MATLAB 코드 몇 줄만으로 작업에 통계, 머신러닝 및 딥러닝 기법을 적용하여 알고리즘을 설계하고, 데이터를 준비하거나 데이터에 레이블을 지정하고, 코드를 생성하여 임베디드 시스템에 배포할 수 있습니다. 다음과 같은 데이터 유형이나 응용 분야에 특화된 툴을 활용하여 AI 모델링 및 데이터 피팅 워크플로를 확장합니다.

영상, 비디오, 신호, 오디오, 텍스트 등의 데이터 유형
컴퓨터 비전, 오디오 및 신호 처리, 텍스트 분석, 무선 통신, 자율주행 등의 응용 분야

Workflow for AI from data preparation to modeling to system design and deployment

AI 및 통계학 관련 제품

Statistics and Machine Learning Toolbox

통계와 머신러닝을 사용하여 데이터 분석 및 모델링

도움말 항목

AI 기본 사항

MATLAB의 머신러닝 (Statistics and Machine Learning Toolbox)
분류, 회귀, 군집화, 딥러닝을 위한 MATLAB의 머신러닝 기능에 대해 알아봅니다. 자동 모델 훈련 및 코드 생성을 위한 앱에 대해서도 알아봅니다.
MATLAB의 딥러닝 (Deep Learning Toolbox)
사전 훈련된 신경망 및 전이 학습, 그리고 GPU, CPU, 클러스터 및 클라우드에서의 훈련 등 분류 및 회귀에 컨벌루션 신경망을 사용하여 MATLAB의 딥러닝 기능을 알아봅니다.
강화 학습이란? (Reinforcement Learning Toolbox)
강화 학습은 목표 지향적인 연산 접근법으로, 컴퓨터가 불확실한 동적 환경과 상호 작용하여 작업 수행 방법을 학습하는 유형입니다.

AI 모델링

분류 학습기 앱에서 분류 모델을 훈련시키기 (Statistics and Machine Learning Toolbox)
자동화된 훈련, 수동 훈련, 병렬 훈련 등 분류 모델을 훈련시키고 비교하고 향상시킬 수 있는 워크플로입니다.
회귀 학습기 앱에서 회귀 모델 훈련시키기 (Statistics and Machine Learning Toolbox)
자동화된 훈련, 수동 훈련, 병렬 훈련 등 회귀 모델을 훈련시키고 비교하고 향상시킬 수 있는 워크플로입니다.
심층 신경망 디자이너를 사용하여 신경망 구축하기 (Deep Learning Toolbox)
심층 신경망 디자이너에서 딥러닝 신경망을 대화형 방식으로 구축하고 편집합니다.

시뮬레이션 및 배포

딥러닝을 사용하여 배터리 충전 상태 추정 (Deep Learning Toolbox)
요구 사항을 정의하고 데이터를 준비하고 딥러닝 신경망을 훈련시키고 견고성을 검증하고 신경망을 Simulink에 통합하고 모델을 배포합니다. (R2024b 이후)
Code Generation for Deep Learning Networks (GPU Coder)
Get started with CUDA^® code generation for image classification networks such as ResNet.
Code Generation for Deep Learning Simulink Model That Performs Lane and Vehicle Detection (Embedded Coder)
This example shows how to generate C++ code from a Simulink® model that performs lane and vehicle detection using convolutional neural networks (CNN).

추천 예제

Time Series Prediction in Simulink Using Deep Learning Network

Use an LSTM deep learning network inside a Simulink® model to predict the remaining useful life (RUL) of an engine. You include the network inside the Simulink model by using a Stateful Predict block, which predicts the RUL at every simulation step.

(Deep Learning Toolbox)