머신러닝

대화형 방식의 앱과 알고리즘

최대 3개 계층을 갖는 "얕은" 신경망 및 기타 머신러닝 모델을 포함하여 가장 널리 사용되는 다양한 분류, 군집 및 회귀 알고리즘 중에서 선택할 수 있습니다. 분류 및 회귀 앱을 사용하여 모델을 대화형 방식으로 훈련, 비교, 조정하고, 추가적인 분석, 통합 및 배포를 위해 모델을 내보낼 수 있습니다. 직접 코드 작성하는 것을 더 선호하는 경우, 특징 선택 및 파라미터 조정을 통해 모델을 더욱 최적화할 수 있습니다.

• 더 알아보기
• 머신러닝 예제, 칼럼 및 튜토리얼 살펴보기
• 회귀 학습기 앱 (3:42)
• 분류 학습기 앱 (4:34)
• 서포트 벡터 머신 및 MATLAB에서의 사용 방법에 대한 튜토리얼 (3:54)
• 내게 맞는 머신러닝 알고리즘은?

모델 해석 가능성

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

• 더 알아보기
• 모델 해석 가능성이란?
• MATLAB에서의 모델 해석 가능성 (5:49)
• AutoML 및 해석 가능성으로 AI 채택의 장벽 낮추기 (35:11)
• MATLAB을 사용한 분류 및 회귀 모델 해석 개요

코드 생성 및 Simulink 통합

임베디드 시스템에 통계 및 머신러닝 모델을 배포하고, 전처리와 후처리 단계를 포함한 전체 머신러닝 알고리즘에 대한 가독성 좋은 C 또는 C++ 코드를 생성할 수 있습니다. MATLAB Function 블록 및 Simulink®의 네이티브 블록을 통해 머신러닝 모델을 사용하여 고충실도 시뮬레이션의 검증과 확인을 가속화할 수 있습니다.

더 알아보기

• 임베디드 기기에서 머신러닝 모델을 실행하기 위한 핵심 기법 (2:30)
• 코드 생성을 위해 모델 파라미터 업데이트하기
• 네이티브 블록을 사용하여 SVM 예측을 Simulink^®에 통합하기
• SVM 예측을 위한 고정소수점 C/C++ 코드 생성하기

확장 및 성능

최소의 코드 변경만으로 tall형 배열을 사용하여 메모리에 담을 수 없이 큰 데이터셋에 머신러닝 모델을 훈련시킬 수 있습니다. 데스크탑, 클러스터 또는 클라우드에서 병렬 연산으로 통계 연산과 모델 훈련의 속도를 가속화할 수도 있습니다.

더 알아보기

• MATLAB tall형 배열의 실사용 예 (4:13)
• 통계 연산의 속도를 높이는 방법 알아보기
• 병렬 연산을 사용한 대규모 연산 수행하기
• 훈련된 예측 모델을 타겟 시스템에 배포하기