机器学习的BG大游app

训练模型,调优参数,并部署到生产或边缘

使用BG大游app®,工程师和其他领域专家部署了数千个机器学习应用程序. BG大游app使机器学习中困难的部分变得简单:

  • 用于训练和比较模特的点击应用程序
  • 先进的信号处理和特征提取技术
  • 包括特征选择的自动机器学习(AutoML), 模型选择和超参数调优
  • 能够使用相同的代码将处理扩展到大数据和集群
  • 为嵌入式和高性能应用程序自动生成C/ c++代码
  • 与动态仿真模块集成为原生或BG大游app函数块, 用于嵌入式部署或模拟
  • 所有流行的分类、回归和聚类算法的监督和 无监督学习
  • 在大多数统计和机器学习计算上,比开源更快的执行速度
面板的导航

交互式应用程序和算法

从各种各样的最流行的分类中选择, 聚类, 回归算法——现在还有“浅”神经网络(最多三层)以及其他机器学习模型. 使用分类和回归应用程序进行交互式训练, 比较, 调优, 并导出模型进行进一步分析, 集成, 和部署. 如果写代码更符合你的风格, 您可以通过特征选择和参数调优进一步优化模型.

分类学习者应用

模型的可解释性

克服机器学习的黑箱性质,通过应用已建立的可解释性方法,如部分依赖图, 石灰, 沙普利值, 和广义加性模型(GAM). 验证模型使用了正确的证据来进行预测,并发现在训练过程中不明显的模型偏差.

模型的可解释性

自动机器学习(AutoML)

自动生成特征从训练数据和优化模型使用超参数调整技术,如贝叶斯优化. 使用专门的特征提取技术,如小波散射信号或图像数据, 和特征选择技术,如邻域成分分析(NCA), 最小冗余最大相关性(MRMR)或顺序特征选择.

代码生成和动态仿真模块集成

将统计数据和机器学习模型部署到嵌入式系统中,并为整个机器学习算法生成可读的C或c++代码, 包括预处理和后处理步骤. 通过动态仿真模块中的BG大游app函数块和本地块,使用机器学习模型加速高保真仿真的验证和验证.

扩展 & 性能

使用高数组将机器学习模型训练到太大而无法放入内存的数据集, 只需对代码进行最小的更改. 您还可以通过桌面上的并行计算加速统计计算和模型训练, 在集群, 或者在云端.

高大的数组

相关的话题

面板的导航

深度学习

设计、构建和可视化卷积神经网络.

面板的导航

数据科学

开发数据驱动的洞察力,从而改进设计和决策.

面板的导航

预见性维护

开发和部署状态监测和预测维护软件.

开始快

互动的例子

在浏览器中运行示例,查看BG大游app的运行情况.

机器学习斜坡弯道

交互式介绍实用机器学习方法的分类问题.

探索入门资源

观看演示,探索交互式示例,并访问免费教程.

30天的免费试用

开始

统计和机器学习工具箱

使用统计和机器学习分析和建模数据