최신 기능

머신 러닝을 위한 최신 MATLAB에 대해 알아보기

대화형 앱

  • Classification Learner 앱을 사용하여 데이터를 대화형으로 탐색하고, 기능을 선택하고, 지도 분류 모델을 평가할 수 있습니다.
  • 신규 Regression Learner 앱을 활용하여 회귀 모델 훈련
  • 데이터를 광범위한 확률 분포에 맞추고, Distribution Fitter 앱을 사용하여 파라미터 값 변경이 미치는 영향 알아보기

관련 제품: Statistics and Machine Learning Toolbox

빅 데이터

  • 다양한 분류, 회귀, 클러스터링 알고리즘과 함께 Tall 배열을 사용하여 메모리에 들어가지 않는 데이터 세트에서 모델 학습시키기
  • 완전한 데이터 세트 처리를 지연하여 대기시간 최소화
  • 신규 피팅 커널 SVM 회귀 및 분류 모델을 Tall 배열과 함께 사용
  • 신규 메모리 부족 데이터에 빠르고 대략적인 평균, 분위, 비층화 파티션 사용

관련 제품: Parallel Computing Toolbox, Statistics and Machine Learning Toolbox

자동화된 모델 최적화

  • 베이지안 최적화를 사용하여 하이퍼파라미터를 자동으로 조정
  • NCA(Neighborhood Component Analysis) 같은 기법을 사용하여 관련 기능의 서브셋을 자동으로 선택
  • 신규 스파스 필터링(sparse filtering)과 RICA(reconstruction independent component analysis)를 사용하여 비지도(unsupervised) 특징 학습 수행

관련 제품: Statistics and Machine Learning Toolbox

배포

  • 잘 알려진 분류, 회귀, 클러스터링 알고리즘을 위한 C/C++ 코드를 자동으로 생성
  • 신규 벡터 및 행렬의 거리 계산을 위한, 그리고 k-최근접이웃 및 비트리 앙상블 모델을 사용한 예측을 위한 C 코드 생성

관련 제품: MATLAB Coder, MATLAB Compiler, Statistics and Machine Learning Toolbox

데이터 시각화

  • 산점도 플롯, 상자 플롯, 덴드로그램 및 기타 표준 통계 시각화를 통해 데이터의 구조와 특징 간의 관계 살펴보기
  • 신규 산점도 플롯, 상자 플롯, 덴드로그램 및 기타 표준 시각화를 통해 데이터의 구조와 특징 간의 관계 살펴보기
  • 신규 Classification Learner 앱의 향상된 산점도 플롯으로 고집적도 데이터 시각화

관련 제품: Statistics and Machine Learning Toolbox

MATLAB®과 Microsoft® R Open (3.4.1) 및 Python 용 Intel ® Distribution (2018)을 여러 가지 프로그래밍 및 머신러닝 작업에서 비교합니다.

머신 러닝 및 통계 알고리즘

  • 선형 및 일반화된 선형 모델, SVM(Support Vector Machine), 결정 트리, 앙상블 메서드 등과 같은 분류 및 회귀를 위한 알고리즘에 일반적으로 활용
  • 신규 잘 알려진 클러스터링 알고리즘(예: k-평균, k-대푯값, 계층 클러스터링, 가우시안 혼합, Hidden Markov 모델 포함) 사용
  • 오픈 소스 툴보다 빠른 통계 및 머신 러닝 연산 실행

관련 제품: Statistics and Machine Learning Toolbox