Машинное и глубокое обучение

Машинное обучение применяется во многих областях науки и техники. Среди них - медицинская диагностика, распознавание речи и рукописного текста, автоматизированные торговые системы, рекомендации к просмотру видео, методы принятия важных бизнес-решений. Каждая проблема машинного обучения является уникальной, поэтому она может быть сложной в понимании исходных данных, определении ключевых особенностей, которые влияют на модель, обучении нескольких моделей и выполнении оценок модели. 


Основные элементы рабочего процесса включают 


  • Доступ, исследование, анализ и визуализации данных в MATLAB 
  • Использование интерактивного приложения Classification Learner и встроенных функций Statistics and Machine Learning Toolbox для выполнения общих задач машинного обучения, таких как: 
  • Выбор характеристик и их преобразование 
  • Выбор схемы кросс-валидации 
  • Обучение классификационных выборок, включая метод опорных векторов (SVM), деревья решений на основе бустинга и бутстрепа, k ближайших соседей и дискриминантный анализ 
  • Оценка модели и сравнений моделей на основе матриц несоответствия и РОК кривой для выбора лучшей модели 
  • Интеграция моделей для машинного зрения, обработка сигналов и анализ данных