최신 기능

머신러닝 관련 최신 MATLAB 기능에 대해 알아보세요

대화형 앱

  • 분류 학습기 및 회귀 학습기 앱에서 대화형 방식으로 데이터를 탐색하고 특징을 선택하고 지도 학습 분류 및 회귀 모델을 훈련 및 평가할 수 있습니다.
  • 신규 학습기 앱 내에서 하이퍼파라미터를 자동 조정하고 비용 행렬을 적용할 수 있습니다.
  • 데이터를 다양한 확률 분포에 피팅하고, 분포 피팅기 앱을 사용하여 파라미터 값 변경이 미치는 영향을 살펴볼 수 있습니다.

관련 제품: Statistics and Machine Learning Toolbox

자동화된 모델 최적화

  • 신규 모델 유형 및 하이퍼파라미터를 동시에 최적화할 수 있습니다.
  • 베이즈 최적화를 사용하여 하이퍼파라미터를 자동으로 조정할 수 있습니다.
  • NCA(Neighborhood Component Analysis) 및 특징 순위 같은 기법을 사용하여 연관 특징의 일부분을 자동으로 선택할 수 있습니다.
  • Parallel Computing Toolbox를 사용하여 자동화된 최적화를 여러 코어에서 병렬로 실행하고 MATLAB Parallel Server를 사용하여 클라우드와 클러스터로 확장할 수 있습니다.

관련 제품: MATLAB Parallel ServerParallel Computing ToolboxStatistics and Machine Learning Toolbox

머신러닝 및 통계 알고리즘

  • 선형 모델 및 일반화 선형 모델, 서포트 벡터 머신, 결정 트리, 앙상블 방법 등과 같은 분류 및 회귀에 일반적으로 쓰이는 알고리즘을 활용할 수 있습니다. 
  • k-평균, k-중앙개체, 계층적 군집화, 가우스 혼합 및 은닉 마르코프 모델 등 자주 사용되는 군집화 알고리즘을 사용할 수 있습니다.
  • 신규 DBSCAN(밀도 기반 공간 군집화) 및 임의 형태의 스펙트럼 군집화를 사용할 수 있습니다.
  • 오픈 소스 툴보다 더 빠르게 통계 및 머신러닝 연산을 실행할 수 있습니다.

관련 제품: Statistics and Machine Learning Toolbox

데이터 시각화

  • 산점도 플롯, 상자 플롯, 덴드로그램 및 기타 표준 통계 시각화를 통해 데이터의 구조와 특징 간의 관계를 살펴볼 수 있습니다.
  • t-SNE(Stochastic Neighbor Embedding)와 같은 고급 차원 축소 알고리즘을 사용할 수 있습니다.
  • 분류 학습기 앱의 개선된 산점도 플롯으로 고밀도 데이터를 시각화할 수 있습니다.
  • 신규 tall형 배열에서 정오분류표를 만들 수 있습니다.

관련 제품: Statistics and Machine Learning Toolbox

배포 

  • 자주 사용되는 분류, 회귀, 군집화 알고리즘을 C/C++ 코드로 자동으로 생성할 수 있습니다.
  • 신규 고정소수점 연산을 사용하여 메모리 및/또는 전원이 제한된 장치로 배포할 수 있습니다.
  • 신규 C/C++ 예측 코드를 재생성하지 않고 SVM, 선형 모델 및 결정 트리와 같은 배포된 모델의 파라미터를 업데이트할 수 있습니다.

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

빅 데이터

  • 다양한 분류, 회귀, 클러스터링 알고리즘에 tall 배열을 사용하여 메모리에 담을 수 없는 데이터 세트에 대해 모델을 학습시킬 수 있습니다.
  • 다중클래스 분류 모델을 피팅하고 하이퍼파라미터 최적화를 수행하고 tall형 배열의 비용을 지정할 수 있습니다.
  • 메모리에 담을 수 없는 데이터에 대해 빠른 근사 평균, 분위, 비층화 분할을 사용할 수 있습니다.

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