MATLAB을 활용한 머신 러닝

머신 러닝을 위한 MATLAB

모델을 학습시키고 파라미터를 튜닝하며 임베디드 시스템에 배포합니다.

소프트웨어 평가판 신청

Machine Learning Onramp

엔지니어와 기타 영역 전문가들은 MATLAB^®을 활용하여 수천 가지 머신 러닝 애플리케이션을 배포해 왔습니다. MATLAB을 이용하면 다음을 통해 머신 러닝의 어려운 부분이 용이해집니다.

모델을 학습시키고 비교하기 위한 Point-and-Click 앱
고급 신호 처리 및 특징 추출 기법
모델 성능을 최적화하기 위한 자동 하이퍼파라미터 튜닝 및 특징 선택
동일한 코드를 사용하여 빅 데이터 및 클러스터로 연산을 확장할 수 있는 기능
임베디드 및 고성능 응용 프로그램을 위한 C/C++ 코드의 자동 생성
지도 학습 및 비지도 학습을 위한 널리 활용되는 분류, 회귀, 클러스터링 알고리즘
대부분의 통계 및 머신 러닝 연산에서 오픈 소스보다 더욱 빠르게 실행

기술 칼럼 시리즈

머신러닝 및 딥러닝 Q&A

지금 읽기

슬라이드쇼

다섯 가지 대화형 머신러닝 앱

슬라이드쇼 보기

MATLAB을 사용한 머신러닝 활용 사례

자동차

PathPartner

PathPartner의 레이더 기반 자동차 응용 사례를 위한 머신러닝 알고리즘 개발 사례

에너지 생산 및 IA&M

RWE Renewables, Hydro Quebec, IMCORP

머신러닝과 인공 지능을 활용한 유틸리티 자산 상태 모니터링 및 예측 정비

의료 기기 및 CES

Kinesis Health Technologies

관성 센서와 머신러닝을 활용한 노인 낙상 위험 평가

고객 성공 사례 더 보기

대화형 앱과 알고리즘

이제 기타 머신러닝 모델 및 최대 3개 계층을 갖는 ""얕은"" 신경망을 포함하여 가장 널리 사용되는 다양한 분류, 군집 및 회귀 알고리즘 중에서 선택할 수 있습니다. 가장 널리 사용되는 다양한 분류와 클러스터링, 회귀 알고리즘 중에서 선택하십시오. 분류 및 회귀 앱을 이용하여 모델을 대화형으로 학습시키고 비교, 튜닝하고 내보내서 추가로 분석, 통합, 배포를 하십시오. 수작업 코딩을 더 선호하신다면 특징 선택 및 파라미터 튜닝을 이용하여 모델을 더욱 최적화할 수 있습니다.

모델 해석력

부분 종속성 플롯, LIME, 섀플리 값, GAM(일반화 가법 모델) 같은 기존의 해석력 방법을 적용하여 머신러닝의 블랙박스적인 속성을 극복할 수 있습니다. 모델이 예측에 대한 올바른 증거를 사용하는지 검증하고 훈련 중에는 명확하지 않았던 모델의 편향을 찾을 수 있습니다.

자동 머신 러닝(AutoML)

학습 데이터에서 자동으로 특징을 생성하고, 베이지안 최적화 등 하이퍼파라미터 튜닝 기법을 이용하여 모델을 최적화하십시오. 신호나 영상 데이터에 대해 웨이블릿 스캐터링과 같은 특화된 특징 추출 기법, NCA(이웃 성분 분석), MRMR(최소 잉여도-최대 연관성) 또는 순차적 특징 선택과 같은 특징 선택 기법을 활용할 수 있습니다.

추가 정보

코드 생성

전처리, 후처리를 포함하여 전체 머신 러닝 알고리즘에 사용할 수 있는 읽기 가능한 C 또는 C++ 코드를 생성하여 임베디드 시스템에 통계와 머신 러닝 모델을 배포하십시오. C/C++ 예측 코드를 재생성하지 않고 배포된 모델의 파라미터를 업데이트합니다. MATLAB 함수 블록 및 Simulink^®의 시스템 블록을 통해 머신 러닝 모델을 이용하여 사용자의 고충실도 시뮬레이션을 더욱 빠르게 검증하고 확인하십시오.

추가 정보

Simulink의 머신 러닝 모델을 이용하여 스트리밍 데이터를 받고, SVM 모델로 라벨과 분류 점수를 예측하기.

스케일링과 성능

tall형 배열을 이용하여, 코드를 거의 변경하지 않고도 기계의 메모리에 담기에는 너무 큰 데이터 세트에 대해 머신 러닝 모델을 학습시키십시오. 데스크톱, 클러스터 또는 클라우드에서 이루어지는 병렬 컴퓨팅을 이용하여 통계학적 계산과 모델 학습 속도를 높일 수도 있습니다.

추가 정보