การเรียนรู้ของเครื่องทำได้ง่าย - วิดีโอ (2023)

สวัสดีและยินดีต้อนรับสู่ Machine Learning Made Easy ฉันชื่อชาแชงก์ ปราซานนา ฉันเป็นผู้จัดการผลิตภัณฑ์สถิติและผลิตภัณฑ์แมชชีนเลิร์นนิงที่ MathWorks

นี่คือวาระการประชุมสำหรับการนำเสนอที่เหลือของวันนี้ ฉันจะเริ่มต้นด้วยภาพรวมระดับสูงว่าแมชชีนเลิร์นนิงคืออะไรและเหตุใดคุณจึงควรพิจารณา จากนั้นเราจะเห็นความท้าทายที่สำคัญบางประการในการเรียนรู้ของเครื่อง

ต่อไป ฉันจะเจาะลึกลงไปในแมชชีนเลิร์นนิงโดยการแก้ปัญหาที่น่าสนใจที่เกี่ยวข้องกับข้อมูลในโลกแห่งความเป็นจริง เพื่อจัดการกับปัญหานี้ ฉันจะแนะนำเวิร์กโฟลว์ทั่วไปที่มักใช้ในการแก้ปัญหาแมชชีนเลิร์นนิง จากนั้นเราจะพูดถึงตัวอย่างที่น่าสนใจอีกตัวอย่างหนึ่งที่เกี่ยวข้องกับข้อมูลรูปภาพ ฉันจะแสดงให้คุณเห็นการสาธิตสดที่ใช้วิดีโอจากเว็บแคมเพื่อระบุวัตถุ เราจะสรุปเซสชันด้วยการสรุปและคำแนะนำบางประการว่าควรพิจารณาการเรียนรู้ของเครื่องเมื่อใด

เนื่องจากเป็นหัวข้อ Made Easy จึงไม่มีข้อกำหนดเบื้องต้น ความคุ้นเคยพื้นฐานกับ MATLAB นั้นมีประโยชน์ แต่ไม่จำเป็น แมชชีนเลิร์นนิงมีอยู่ทั่วไป เทคนิคเหล่านี้ถูกนำมาใช้มากขึ้นในโลกปัจจุบันเพื่อตัดสินใจทางธุรกิจและชีวิตที่สำคัญ ทุกวันนี้ การเรียนรู้ด้วยเครื่องช่วยให้เราสามารถแก้ปัญหาด้านยานยนต์ การเงิน คอมพิวเตอร์วิทัศน์ และสาขาอื่นๆ ที่ก่อนหน้านี้ถือว่าเป็นไปไม่ได้

แล้วแมชชีนเลิร์นนิงคืออะไร มาใช้เวลาสักครู่เพื่อทำความเข้าใจแนวคิดระดับสูงของแมชชีนเลิร์นนิงอย่างรวดเร็ว แม้ว่าคุณจะคุ้นเคยกับหัวข้อนี้แล้ว แต่สิ่งนี้ควรเป็นเครื่องเตือนใจอย่างรวดเร็วว่าเมื่อใดที่การติดตามแมชชีนเลิร์นนิงมีประโยชน์จริง ๆ

เราสามารถกำหนดให้แมชชีนเลิร์นนิงเป็นเทคนิคที่ใช้ข้อมูลและสร้างโปรแกรมเพื่อทำงาน ให้ฉันอธิบายในบริบทของตัวอย่าง พิจารณางานที่เกี่ยวข้องกับการใช้ข้อมูลเซ็นเซอร์จากโทรศัพท์มือถือเพื่อตรวจจับกิจกรรมของบุคคล เช่น ถ้าบุคคลนั้นกำลังเดิน นั่ง ยืน เป็นต้น แนวทางมาตรฐานในการแก้ปัญหาดังกล่าวคือการวิเคราะห์สัญญาณและเขียนโปรแกรมด้วยชุดกฎที่ออกแบบมาอย่างดี หรือคุณอาจทราบชุดของสมการหรือสูตรที่ใช้อินพุตและทำนายผลลัพธ์

แนวทางการเรียนรู้ของเครื่องคือการเรียนรู้โปรแกรมดังกล่าวโดยตรงจากข้อมูล ในกรณีนี้ เราจัดเตรียมอัลกอริทึมด้วยข้อมูลอินพุตและเอาต์พุตและให้อัลกอริทึมเรียนรู้โปรแกรมเพื่อแก้ปัญหานี้ ขั้นตอนนี้มักเรียกว่าการฝึกอบรม เอาต์พุตเป็นแบบจำลองที่สามารถใช้เพื่อตรวจจับกิจกรรมจากข้อมูลเซ็นเซอร์ใหม่

โปรดทราบว่าฉันไม่ได้กล่าวถึงอัลกอริทึมแมชชีนเลิร์นนิงที่เฉพาะเจาะจงอย่างชัดเจน เนื่องจากอัลกอริทึมมีให้เลือกมากมาย และแต่ละอันก็มีจุดแข็งและจุดอ่อนของตัวเอง เราจะเห็นว่าเมื่อเราดูตัวอย่างนี้โดยละเอียด หากมีสองสิ่งที่ฉันต้องการให้คุณนำออกจากสไลด์นี้ นั่นคือ หนึ่ง คุณต้องการข้อมูล หากไม่มีข้อมูล คุณจะทำแมชชีนเลิร์นนิงไม่ได้ นี่เป็นความต้องการที่แข็งแกร่ง

สอง พิจารณาการเรียนรู้ของเครื่องเฉพาะเมื่องานนั้นซับซ้อน และไม่มีสมการวิเศษหรือสูตรในการแก้ หากคุณมีสูตร คุณสามารถดำเนินการต่อได้เลย แมชชีนเลิร์นนิงจะใช้งานได้ แต่ไม่แนะนำวิธีการในสถานการณ์เช่นนี้

ไปที่ MATLAB และดูว่าวิธีการเรียนรู้ของเครื่องเป็นอย่างไร ข้อมูลที่เรากำลังทำงานประกอบด้วยอินพุตหกตัว สามตัวจากมาตรความเร่ง และสามตัวจากไจโรสโคปของโทรศัพท์มือถือ การตอบสนองหรือผลลัพธ์คือกิจกรรมที่ดำเนินการ ได้แก่ การเดิน การยืน การวิ่ง การปีนบันได และการวาง

นี่คือ Classification Learner เป็นเครื่องมือเชิงโต้ตอบที่ให้คุณทำงานการเรียนรู้ของเครื่องทั่วไป เช่น การสำรวจข้อมูลของคุณแบบโต้ตอบ เลือกคุณสมบัติ ระบุรูปแบบการตรวจสอบความถูกต้อง แบบจำลองการฝึกอบรม และการประเมินผลลัพธ์ ทางด้านซ้ายของฉัน ฉันมีโมเดลแมชชีนเลิร์นนิงหลายแบบที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลเซ็นเซอร์แล้ว ถัดจากแต่ละรุ่นคือตัวเลขเปอร์เซ็นต์ที่ระบุความถูกต้องของตัวแยกประเภทที่เลือกในชุดการตรวจสอบที่แยกจากกัน ฉันสามารถใช้การแสดงภาพทางด้านขวาเพื่อสำรวจข้อมูลของฉันเพื่อค้นหารูปแบบและแนวโน้ม

การฝึกอบรมโมเดลใหม่เป็นเรื่องง่าย ฉันแค่ไปที่แกลเลอรีตัวแยกประเภท เลือกตัวแยกประเภทที่สนใจ แล้วกด Train เมื่อการฝึกอบรมเสร็จสิ้น คุณสามารถดูโมเดลใหม่ในรายการประวัติพร้อมกับความแม่นยำในการปฏิบัติงานของโมเดล ยิ่งตัวเลขนี้สูง แบบจำลองอาจทำงานได้ดีกับข้อมูลใหม่ ฉันจะเลือกโมเดลที่มีประสิทธิภาพดีที่สุดของฉัน แล้วคลิก ส่งออก เพื่อเริ่มใช้โมเดลของฉันใน MATLAB และฉันเห็นว่าโมเดลที่ส่งออกอยู่ที่นี่ในพื้นที่ทำงาน

ตอนนี้ฉันต้องการใช้โมเดลนี้พร้อมกับข้อมูลทดสอบบางส่วน เพื่อแสดงภาพผลการทำนายของโมเดล นี่คือพล็อตที่แสดงการสตรีมข้อมูลมาตรวัดความเร่งและไจโรสโคปเป็นเวลาสองวินาทีครึ่ง แถบสีเขียวด้านบนนี้แสดงกิจกรรมจริงที่บุคคลนั้นทำซึ่งสอดคล้องกับสัญญาณเซ็นเซอร์ตรงนี้ แถบด้านล่างจะเป็นสีเขียวหากแบบจำลองสามารถทำนายกิจกรรมจริงของบุคคลได้สำเร็จ และจะเป็นสีแดงหากเป็นเช่นนั้น—หากไม่สามารถคาดการณ์กิจกรรมจริงได้ คุณจะเห็นว่านางแบบมักจะสับสนระหว่างการเดินและการปีนบันได

มาสรุปสิ่งที่เราเพิ่งประสบความสำเร็จกันอย่างรวดเร็ว เราใช้ข้อมูลเพื่อให้เหมาะกับโมเดลต่างๆ โดยใช้ Classification Learner จากนั้นเราเลือกอันที่ให้ผลลัพธ์ดี และเราทดสอบเพื่อให้แน่ใจว่ามันเป็นไปตามที่ควรจะเป็น ดูเหมือนจะค่อนข้างง่าย แล้วทำไมแมชชีนเลิร์นนิงถึงมีชื่อเสียงว่ายากนัก

เพื่อตอบคำถามนั้น ฉันต้องการใช้คำพูดของนักสถิติที่มีชื่อเสียงซึ่งเคยเขียนไว้ในตำราเรียนว่า "แบบจำลองทั้งหมดผิด แต่บางแบบจำลองก็มีประโยชน์" ทำไม เนื่องจากแบบจำลองเป็นการประมาณ ไม่ใช่แค่โมเดลแมชชีนเลิร์นนิงเท่านั้น โมเดลทั้งหมดเป็นการประมาณตามสมมติฐานต่างๆ แต่ก็ไม่ได้ทำให้มีประโยชน์น้อยลง โมเดลแมชชีนเลิร์นนิงสามารถอธิบายรูปแบบที่ซับซ้อนในข้อมูลได้ แต่หากต้องการใช้แมชชีนเลิร์นนิงให้ประสบความสำเร็จ คุณต้องค้นหาโมเดลที่มีประโยชน์ และนั่นอาจเป็นงานที่ท้าทาย

ในความเป็นจริงไม่มีความท้าทายเพียงอย่างเดียว แต่มีความท้าทายหลายอย่างในทุกขั้นตอนของเวิร์กโฟลว์แมชชีนเลิร์นนิง ข้อมูลมาในรูปทรงและขนาดต่างๆ อาจเป็นข้อมูลตัวเลขธรรมดา เช่น จากฟีดข้อมูลทางการเงินหรือสัญญาณเซ็นเซอร์ หรืออาจเป็นการสตรีมรูปภาพจากกล้องหรือข้อมูลข้อความ ชุดข้อมูลในโลกแห่งความเป็นจริงมักจะยุ่งเหยิงและไม่เป็นตารางเสมอไป

ข้อมูลก่อนการประมวลผลต้องใช้อัลกอริทึมและเครื่องมือเฉพาะโดเมน ตัวอย่างเช่น จำเป็นต้องใช้อัลกอริธึมการประมวลผลสัญญาณหรือภาพเพื่อแยกคุณสมบัติที่เป็นประโยชน์จากข้อมูลสัญญาณและภาพ อัลกอริทึมสถิติจำเป็นสำหรับการเลือกคุณสมบัติและการแปลงคุณสมบัติ เรามักต้องการเครื่องมือจากหลายโดเมน และเมื่อทำงานกับอัลกอริทึมการเรียนรู้ของเครื่องหลายตัว การค้นหาโมเดลที่ดีที่สุดอาจเป็นงานที่น่ากลัวและใช้เวลานาน

หัวใจสำคัญของการเลือกโมเดลแมชชีนเลิร์นนิงที่ดีที่สุดคือการปรับสมดุล แบบจำลองที่มีความยืดหยุ่นสูงอาจแม่นยำ แต่อาจเกินข้อมูลของคุณและทำงานได้ไม่ดีกับข้อมูลใหม่ ในอีกรูปแบบหนึ่ง แบบจำลองที่เรียบง่ายอาจสันนิษฐานเกี่ยวกับข้อมูลมากเกินไป มีการแลกเปลี่ยนเสมอระหว่างความเร็ว ความแม่นยำ และความซับซ้อนของแบบจำลอง

ประการสุดท้าย เวิร์กโฟลว์แมชชีนเลิร์นนิงไม่เคยเป็นเวิร์กโฟลว์เชิงเส้นที่สะดวก เราต้องกลับไปกลับมา ทำซ้ำ และลองแนวคิดต่างๆ อยู่เสมอ ก่อนที่เราจะมาบรรจบกันในการแก้ปัญหา เป้าหมายของฉันในวันนี้: แนะนำให้คุณรู้จักกับชุดเครื่องมือและกลยุทธ์ทั่วไปเพื่อรับมือกับความท้าทายเหล่านี้

ต่อไปนี้คือเวิร์กโฟลว์สองขั้นตอนง่ายๆ ที่เราอยากทำตามในการแก้ปัญหาแมชชีนเลิร์นนิง ขั้นตอนแรกคือการฝึกโมเดลของคุณ เราเริ่มต้นด้วยการนำข้อมูลเข้ามา ซึ่งจะมาจากแหล่งต่างๆ ที่หลากหลาย เช่น ฐานข้อมูล อุปกรณ์สตรีมมิ่ง เป็นต้น ต่อไป เราจะประมวลผลข้อมูลล่วงหน้าโดยใช้การแยกคุณลักษณะหรือเครื่องมือทางสถิติอื่นๆ ขั้นตอนนี้มีความสำคัญอย่างยิ่งต่อการแปลงข้อมูลของคุณให้เป็นรูปแบบที่อัลกอริทึมการเรียนรู้ของเครื่องสามารถทำงานได้

หลังจากนั้นเราก็พร้อมที่จะเรียนรู้จากข้อมูล หากงานคือการคาดคะเนป้ายกำกับหรือหมวดหมู่ เราเลือกวิธีการจำแนกประเภท หากงานคือการทำนายค่าต่อเนื่อง เราจะเลือกวิธีการถดถอย จากนั้นเราจะดำเนินการต่อและสร้างแบบจำลอง แน่นอนว่านี่เป็นกระบวนการที่เกิดซ้ำๆ กันซึ่งต้องย้อนกลับไปมาจนถึงขั้นตอนก่อนการประมวลผล ลองใช้อัลกอริทึมการเรียนรู้ของเครื่องต่างๆ ปรับแต่งพารามิเตอร์ต่างๆ และอื่นๆ

ขั้นตอนที่สองของเวิร์กโฟลว์นี้คือการใช้โมเดลจริง ดังนั้นทางด้านซ้าย ฉันมีข้อมูลใหม่ และทางขวา ฉันต้องทำการคาดการณ์ แล้วเราต้องการอะไรจากข้อมูลไปสู่การคาดการณ์? ขั้นแรก เราต้องใช้ขั้นตอนก่อนการประมวลผลทั้งหมดสำหรับข้อมูลใหม่ ดังนั้นจึงไม่มีงานเพิ่มเติมที่เกี่ยวข้องในส่วนนี้ เราแค่นำความทุ่มเททั้งหมดที่เราใช้ไปในช่วงการฝึกกลับมาใช้ใหม่

ต่อไป เราใช้แบบจำลองจากขั้นตอนการฝึกอบรมและทำการคาดคะเน สำหรับปัญหาทางวิศวกรรมหลายประการ ขั้นตอนที่สองมักถูกปรับใช้หรือรวมเข้ากับสภาพแวดล้อมการผลิต เช่น บนเซิร์ฟเวอร์ที่ดำเนินการลักษณะอัตโนมัติโดยใช้การเรียนรู้ของเครื่อง ลองใช้เวิร์กโฟลว์นี้เพื่อดูตัวอย่างใน MATLAB

เป้าหมายของตัวอย่างนี้คือการฝึกตัวแยกประเภทให้ระบุกิจกรรมของมนุษย์โดยอัตโนมัติตามการวัดเซ็นเซอร์ ข้อมูลประกอบด้วยหกอินพุต สามตัวจากมาตรความเร่ง และสามตัวจากไจโรสโคป การตอบสนองของผลลัพธ์คือกิจกรรมที่ทำ: เดิน ยืน วิ่ง ปีนบันได และวาง

แนวทางที่เราจะใช้มีดังนี้ ขั้นแรก เราจะดึงคุณสมบัติพื้นฐานจากสัญญาณเซ็นเซอร์ จากนั้น เราจะใช้ Classification Learner เพื่อฝึกและเปรียบเทียบ Classifiers ต่างๆ และสุดท้ายคือทดสอบผลลัพธ์จากข้อมูลเซ็นเซอร์ที่มองไม่เห็น

นี่คือ MATLAB เราจะเริ่มต้นด้วยหน้าต่างโฟลเดอร์ปัจจุบันที่นี่ เนื่องจากขั้นตอนแรกของเวิร์กโฟลว์คือการนำข้อมูลเข้ามา ฉันจะโหลดข้อมูลเซ็นเซอร์ดิบบางส่วนที่มีในไฟล์ MAT ในการนำเข้าข้อมูลนี้ สิ่งที่ฉันต้องทำก็แค่ลากและวางลงในหน้าต่างเวิร์กสเปซ หน้าต่างพื้นที่ทำงานช่วยให้คุณติดตามตัวแปรทั้งหมดใน MATLAB ไม่ว่าจะเป็นตัวแปรที่มีอยู่หรือตัวแปรใหม่ที่เราสร้างขึ้นเมื่อเราดำเนินการ

ข้อมูลของฉันประกอบด้วยเจ็ดตัวแปร หกตัวแรกคือตัวแปรอินพุตทางประสาทสัมผัส สามตัวสำหรับไจโรสโคป และสามตัวสำหรับมาตรความเร่ง x, y และ z ตัวแปรสุดท้าย TrainActivity มีป้ายกำกับกิจกรรมสำหรับการสังเกตการวัดเซ็นเซอร์แต่ละครั้ง สังเกตว่าตัวแปรทั้งหมดมีการสังเกตประมาณ 7,000 รายการ มาดูกันว่าการป้อนข้อมูลทางประสาทสัมผัสของแต่ละคนมีลักษณะอย่างไร

ถ้าผมพล็อตข้อมูลไจโรสโคปแกน x แถวเดียว เราจะเห็นว่ามีจุดประมาณ 128 จุด นี่คือสิ่งที่ข้อมูลแสดง ข้อมูลเซ็นเซอร์มักถูกรวบรวมและแก้ไขด้วยกรอบหน้าต่าง แต่ละแถวมี 128 ค่าที่อ่านได้ สอดคล้องกับข้อมูลเซ็นเซอร์ 2 วินาทีครึ่ง

ขณะนี้ ข้อมูลนี้ไม่อยู่ในรูปแบบที่สามารถใช้สำหรับการเรียนรู้ของเครื่อง ก่อนอื่น ฉันต้องประมวลผลอินพุตทั้งหมดเหล่านี้เพื่อแยกคุณสมบัติสำหรับแต่ละจุดจาก 128 จุดหรือหน้าต่าง 2 วินาทีครึ่ง และฉันต้องดำเนินการนี้กับอินพุตเซ็นเซอร์ทั้ง 6 ตัว แต่ก่อนที่เราจะเริ่มต้นด้วยการสกัดคุณลักษณะ ลองมาดูกันว่าข้อมูลดิบของเซ็นเซอร์มีลักษณะอย่างไร

ฉันมีพล็อตที่กำหนดเองที่นี่ซึ่งแสดงข้อมูลเซ็นเซอร์ดิบของมาตรวัดความเร่งสามรายการ และพวกมันมีสีต่างกันซึ่งสอดคล้องกับกิจกรรมที่บุคคลกำลังทำอยู่ พล็อตใน MATLAB ค่อนข้างโต้ตอบได้ ฉันสามารถขยายเพื่อดูว่ามีรูปแบบภาพใด ๆ หรือมีแนวโน้มที่สามารถช่วยให้เราระบุกิจกรรมของบุคคลนั้นได้หรือไม่

เราจะเห็นว่าค่าเซ็นเซอร์ดูแตกต่างกันสำหรับแต่ละสีเหล่านี้ ตัวอย่างเช่น ค่าสีส้มที่นี่ซึ่งสอดคล้องกับการปีนบันไดจะค่อนข้างแตกต่างจากค่าสีม่วงซึ่งสอดคล้องกับการยืน อย่างไรก็ตาม ในขณะเดียวกันก็ยากที่จะแยกความแตกต่างระหว่างการเดินและการปีนเขาด้วยสายตา เนื่องจากทั้งสองอย่างเกี่ยวข้องกับการเคลื่อนไหวอย่างมาก ปัญหาเช่นนี้เป็นตัวเลือกที่ดีสำหรับแมชชีนเลิร์นนิง เนื่องจากไม่ชัดเจนเสมอไปว่าเราสามารถกำหนดกฎสำหรับแต่ละกิจกรรมเหล่านี้ได้

ก่อนที่เราจะเริ่มด้วยขั้นตอนการแยกคุณลักษณะ ฉันจะสร้างตารางเดียวจากอินพุตเซ็นเซอร์ทั้งหกนี้ ตารางเป็นเครื่องมือที่ยอดเยี่ยมสำหรับการเก็บข้อมูลแบบผสม ซึ่งเป็นเรื่องปกติในการเรียนรู้ของเครื่อง ในตัวอย่างนี้ เรามีหน่วยวัดเซนเซอร์ซึ่งเป็นตัวเลข และป้ายกำกับซึ่งเป็นค่าตามหมวดหมู่

ตอนนี้ฉันมีตัวแปรตารางเดียวในพื้นที่ทำงานของฉันที่มีตัวแปรเซ็นเซอร์แต่ละตัวทั้งหมดหกตัว ข้อดีอีกประการของการใช้ตารางสำหรับแมชชีนเลิร์นนิงคือฉันสามารถใช้ฟังก์ชันการแยกคุณลักษณะเดียวกับตัวแปรทั้งหมดในตารางนี้ด้วยโค้ดบรรทัดเดียว สิ่งที่ฉันต้องทำคือเรียก VarFun ซึ่งย่อมาจาก Variable Function และส่งฟังก์ชันการแยกคุณลักษณะของฉัน WMean นี่คือฟังก์ชันที่คำนวณค่าเฉลี่ยของแต่ละแถวในตัวแปรเซนเซอร์ ในกรณีนี้ ฉันกำลังคำนวณค่าเฉลี่ยของค่าเซ็นเซอร์ 2 วินาทีครึ่ง

WMean เป็นฟังก์ชันในเบราว์เซอร์โฟลเดอร์ปัจจุบันของฉัน และอย่างที่คุณเห็น มันเป็นฟังก์ชันที่ค่อนข้างง่าย แต่ทั้งนี้ขึ้นอยู่กับแอปพลิเคชันของคุณและคุณลักษณะที่คุณต้องการแยกออกมา ซึ่งอาจซับซ้อนเท่าที่คุณต้องการ นอกจากค่าเฉลี่ยแล้ว ฉันต้องการแยกคุณลักษณะอีกสองอย่าง ซึ่งเป็นส่วนเบี่ยงเบนมาตรฐานสำหรับแต่ละเฟรม และ PCA ซึ่งย่อมาจากการวิเคราะห์องค์ประกอบหลัก และฉันต้องการคงไว้เฉพาะองค์ประกอบหลักแรกเท่านั้น เนื่องจากตารางสามารถเก็บข้อมูลประเภทผสมได้ ฉันจะกำหนดป้ายกำกับกิจกรรมเป็นตัวแปรใหม่ที่เรียกว่ากิจกรรมภายในตาราง

ลองเรียกใช้ส่วนนี้และดูว่าตารางข้อมูลกิจกรรมของมนุษย์มีลักษณะอย่างไร ฉันมีทั้งหมด 19 คอลัมน์ และหกคอลัมน์แรกตรงกับค่าเฉลี่ยของเฟรม หกรายการถัดไปคือส่วนเบี่ยงเบนมาตรฐานของเฟรม และหกรายการสุดท้ายคือเอาต์พุต PCA คอลัมน์สุดท้ายของฉันคือกิจกรรมที่สอดคล้องกับการสังเกตแต่ละครั้ง ซึ่งอาจจะเป็นการนอน การนั่ง การขึ้นบันได การยืน หรือการเดิน

ตอนนี้เรามีข้อมูลพร้อมแล้ว เรามาย้าย Classification Learner เพื่อฝึกโมเดลของเรากัน Classification Learner เป็นส่วนหนึ่งของกล่องเครื่องมือสถิติและการเรียนรู้ของเครื่อง และคุณสามารถเปิดใช้งานได้โดยพิมพ์ Classification Learner ในบรรทัดคำสั่ง MATLAB หรือคุณสามารถหาได้จาก AppStat ภายใต้ MAT Statistics and Optimization

ก่อนอื่นเราเริ่มต้นด้วยการนำเข้าข้อมูลจากพื้นที่ทำงานของ MATLAB ภายใต้ขั้นตอนที่หนึ่งของกล่องโต้ตอบการนำเข้า เราเลือกชุดข้อมูลจากพื้นที่ทำงานของ MATLAB ภายใต้ขั้นตอนที่สอง ให้สังเกตว่าแอพจะเลือกโดยอัตโนมัติว่าตัวแปรเป็นตัวทำนายหรือการตอบสนอง

แอปจะตัดสินใจตามประเภทข้อมูล อย่างไรก็ตาม คุณยังสามารถเลือกที่จะเปลี่ยนบทบาทหรือลบตัวแปรทั้งหมดได้ สำหรับตอนนี้ เราปล่อยไว้ตามที่เป็นอยู่

ภายใต้ขั้นตอนที่สาม เราสามารถเลือกวิธีการตรวจสอบของเราได้ การตรวจสอบจะช่วยป้องกันปัญหาต่างๆ เช่น การใส่มากเกินไป เลือกการตรวจสอบข้ามเมื่อคุณมีชุดข้อมูลที่มีขนาดค่อนข้างเล็ก เนื่องจากจะทำให้ใช้ข้อมูลทั้งหมดได้อย่างมีประสิทธิภาพ เลือก ระงับ หากคุณมีข้อมูลเพียงพอ

ฉันจะเลือกตัวเลือกนี้สำหรับปัญหาของเรา เนื่องจากเรามีจุดข้อมูลจำนวนมาก การตั้งค่าเปอร์เซ็นต์ Hold Out ของฉันเป็น 20% จะสั่งให้แอปใช้ข้อมูล 80% สำหรับการฝึกอบรมและ 20% สำหรับการตรวจสอบประสิทธิภาพของโมเดล ตัวเลือกสุดท้ายมักไม่แนะนำ เนื่องจากข้อมูลทั้งหมดใช้สำหรับการฝึกอบรมและการทดสอบ สิ่งนี้นำไปสู่การประมาณค่าความแม่นยำของแบบจำลองที่มีอคติ

Classification Learner เป็นสภาพแวดล้อมที่ค่อนข้างมีการโต้ตอบซึ่งมีหน้าต่างและส่วนประกอบต่างๆ มากมาย และฉันสัญญาว่าเราจะพิจารณาทุกหน้าต่างและเมื่อมีความเกี่ยวข้องกัน แถบเครื่องมือด้านบนแสดงเวิร์กโฟลว์จากซ้ายไปขวาตั้งแต่การนำเข้าข้อมูลไปจนถึงการส่งออกโมเดลของคุณ ที่ตรงกลางนี่คือพล็อตกระจายแบบจับคู่ที่จัดกลุ่มตามตัวแปรตอบสนอง

พล็อตนี้มีประโยชน์สำหรับการค้นหารูปแบบ ตัวอย่างเช่น ตัวทำนายคู่นี้ เราสังเกตเห็นว่าการวางดูเหมือนจะแยกออกจากกิจกรรมที่เหลือเป็นอย่างดี การนั่งก็ดูเหมือนจะแยกจากกันดี แต่ก็มีบางส่วนที่เหลื่อมกัน ตัวเลือกการเลือกคุณลักษณะบนแถบเครื่องมือช่วยให้คุณแยกตัวทำนายออกจากแบบจำลองได้ สำหรับตัวอย่างนี้ เนื่องจากเราไม่มีตัวทำนายมากเกินไป เราจะปล่อยไว้อย่างนั้น

เมื่อแก้ปัญหาการจำแนกประเภท ไม่มีขนาดเดียวที่เหมาะกับทุกคน ตัวแยกประเภทที่แตกต่างกันทำงานได้ดีที่สุดสำหรับข้อมูลและปัญหาประเภทต่างๆ Classification Learner ให้คุณเลือกจากแผนผังการตัดสินใจ เครื่องสนับสนุนเวกเตอร์ เพื่อนบ้านที่ใกล้ที่สุด และตัวแยกประเภททั้งมวล และสำหรับตัวแยกประเภทแต่ละประเภท จะมีค่าที่ตั้งไว้ล่วงหน้าหลายค่าที่เป็นจุดเริ่มต้นที่ดีสำหรับปัญหาการจำแนกประเภทต่างๆ หากคุณไม่แน่ใจว่าจะเลือกตัวใด คำแนะนำเกี่ยวกับเครื่องมือแบบป๊อปอัปจะให้คำอธิบายสั้นๆ ของตัวแยกประเภทแก่คุณ

เมื่อทำงานกับ MATLAB ความช่วยเหลือจะอยู่ใกล้แค่คลิกเดียว หากต้องการความช่วยเหลือเพิ่มเติม เพียงคลิกที่เครื่องหมายคำถามที่ด้านบนขวา ซึ่งจะเป็นการเปิดเอกสารประกอบสำหรับแอป คุณจะพบข้อมูลทั้งหมดที่คุณต้องการเกี่ยวกับแอปได้ที่นี่ สำหรับตอนนี้ ไปที่ส่วนต่อไปนี้ซึ่งมีคำแนะนำในการเลือกลักษณนาม

ต่อไปนี้เป็นตารางที่ดีที่จะให้คำแนะนำเกี่ยวกับตัวแยกประเภทที่จะเลือก โดยขึ้นอยู่กับการแลกเปลี่ยนที่คุณต้องการ ตัวอย่างเช่น แผนภูมิการตัดสินใจมีความพอดีอย่างรวดเร็ว แต่มีความแม่นยำในการทำนายปานกลาง ในทางกลับกัน เพื่อนบ้านที่ใกล้ที่สุดมีความแม่นยำในการคาดคะเนสูงสำหรับปัญหาเล็กๆ น้อยๆ แต่ก็มีการใช้หน่วยความจำสูงเช่นกัน ลองใช้เคล็ดลับนี้จากเอกสารและเริ่มด้วยแผนผังการตัดสินใจก่อน

การฝึกอบรมแบบจำลองเป็นเรื่องง่าย เพียงเลือกค่าที่ตั้งไว้ล่วงหน้าจากแกลเลอรีและ Hit Train จากนั้นระบบจะสร้างโมเดลรถไฟในประวัติโมเดล พร้อมด้วยความแม่นยำในการทำนาย มาฝึกต้นไม้ขนาดกลางและต้นไม้ที่ซับซ้อนกันเถอะ โมเดลที่ทำงานได้ดีที่สุดในชุดการตรวจสอบจะแสดงด้วยกล่องสีเขียวเสมอ

นอกจากเปอร์เซ็นต์ความแม่นยำในการทำนายแล้ว ยังมีเครื่องมือวินิจฉัยอื่นๆ ที่เป็นประโยชน์อีกด้วย เมทริกซ์ความสับสนเป็นเครื่องมือที่ยอดเยี่ยมที่สามารถบอกคุณได้ว่าตัวแยกประเภททำงานอย่างไรได้อย่างรวดเร็ว ดังนั้นนี่คือวิธีที่คุณอ่านเมทริกซ์ความสับสน สิ่งใดในแนวทแยงได้รับการจัดประเภทอย่างถูกต้อง สิ่งที่อยู่นอกเส้นทแยงมุมได้รับการจัดประเภทผิด ตัวแยกประเภทที่สมบูรณ์แบบจะมี 100% ในแนวทแยงและ 0% ในที่อื่น

มาดูกิจกรรมหนึ่งกันดีกว่า: การปีนบันได วิธีการอ่านสิ่งนี้คือ 89.1% ของเวลาที่แบบจำลองทำนายกิจกรรมได้สำเร็จ อย่างไรก็ตาม 10.9% ของเวลาทั้งหมด นางแบบคิดว่าการปีนบันไดคือการเดิน หรืออีกนัยหนึ่ง นางแบบจำแนกการปีนบันไดผิดว่าเป็นการเดิน เราสามารถสลับไปมาระหว่างรุ่นต่างๆ ในประวัติศาสตร์ยุคใหม่เพื่อเปรียบเทียบเมทริกซ์ความสับสนได้เสมอ

เครื่องมือวินิจฉัยอื่นที่มีอยู่ในแอปคือ Auto C Curve เส้นโค้ง Auto C ใช้เพื่ออธิบายความไวของตัวแยกประเภทไบนารี รูปร่างของเส้นโค้งแสดงการแลกเปลี่ยนระหว่างความไวและความจำเพาะ เมื่อเราเลื่อนขึ้นไปทางขวาของเส้นโค้ง เราเพิ่มโอกาสของผลบวกจริง แต่ยังเพิ่มโอกาสของผลบวกลวงด้วย

ในความคิดของฉัน ข้อดีอย่างหนึ่งของการใช้แอปแทนการเขียนโค้ดคือความสามารถในการฝึกโมเดลหลายๆ แบบ นอกจากแผนผังการตัดสินใจแล้ว ตอนนี้ฉันจะฝึกตัวแยกประเภทเพื่อนบ้านที่ใกล้ที่สุด เพราะฉันรู้ว่าพวกมันฝึกได้เร็วและทำนายได้เร็ว เมื่อฝึกโมเดลหลายตัว คุณไม่จำเป็นต้องจำกัดเฉพาะค่าที่ตั้งไว้ล่วงหน้าเหล่านี้

หากคุณเป็นผู้ใช้ขั้นสูง คุณสามารถเปิดป๊อปอัปขั้นสูงขึ้นมาเพื่อปรับแต่งพารามิเตอร์ตัวแยกประเภทได้เสมอ การเปลี่ยนแปลงเหล่านี้จะแสดงในประวัติรุ่นด้วยเพื่อความสะดวก ตอนนี้เรามีโมเดลประมาณแปดโมเดลในประวัติโมเดล และผมฝึกโมเดลทั้งหมดในเวลาไม่กี่วินาทีโดยไม่ต้องเขียนโค้ด MATLAB แม้แต่บรรทัดเดียว

มีสองโหมดที่คุณสามารถส่งออกการวิเคราะห์ของคุณได้ คุณสามารถส่งออกโมเดลของคุณไปยัง MATLAB ได้โดยตรง หรือจะเลือกสร้างโค้ด MATLAB ที่ให้คุณทำให้ขั้นตอนทั้งหมดที่เราดำเนินการในการสร้างโมเดลนี้เป็นไปโดยอัตโนมัติโดยไม่ต้องเขียนโค้ดใดๆ ให้ฉันเลือกตัวเลือกนี้เพื่อแสดงให้คุณเห็นว่าโค้ดที่สร้างขึ้นมีลักษณะอย่างไร

สิ่งที่ฉันมีใน MATLAB คือโค้ด MATLAB ที่สร้างโดยอัตโนมัติอย่างสมบูรณ์ เรายังสามารถดูขั้นตอนต่างๆ ในเวิร์กโฟลว์ที่โค้ดบันทึกไว้ได้อีกด้วย ตัวอย่างเช่น การแยกตัวทำนายและการตอบสนอง การฝึกตัวแยกประเภทโดยใช้ตัวแยกประเภท KNN และการตั้งค่าการตรวจสอบความถูกต้องของ Hold Out เป็นต้น คุณสามารถปรับแต่งรหัสที่สร้างขึ้นนี้เพื่อรวมเข้ากับแอปพลิเคชันของคุณได้ตลอดเวลา

กลับไปที่ Classification Learner และส่งออกแบบจำลองแทน และเราจะเห็นว่าขณะนี้แบบจำลองพร้อมใช้งานในพื้นที่ทำงาน MATLAB ตอนนี้เราพร้อมที่จะทดสอบโมเดลกับข้อมูลใหม่แล้ว ก่อนอื่น เราโหลดข้อมูลเซ็นเซอร์ใหม่จากไฟล์ MAT จากนั้นเราจะใช้ขั้นตอนการดึงคุณสมบัติเดิมจากก่อนหน้านี้ จากนั้นเราจะใช้โมเดลที่ส่งออกเพื่อทดสอบผลลัพธ์ของข้อมูลเซ็นเซอร์ใหม่นี้

ดังที่เราเห็นก่อนหน้านี้ แถบสีเขียวด้านบนแสดงกิจกรรมจริงที่บุคคลนั้นทำ และแถบสีเขียวด้านล่าง เมื่อแบบจำลองตรวจจับกิจกรรมได้สำเร็จ และจะเป็นสีแดงหากทำผิด หากคุณต้องการลองใช้โมเดลใหม่ คุณสามารถกลับไปที่ Classification Learner และส่งออกโมเดลโดยตรงหรือสร้างโค้ด MATLAB และฝึกโมเดลใหม่เพื่อคาดการณ์ด้วยข้อมูลใหม่

มาดูขั้นตอนการทำงานของเราอย่างรวดเร็วเพื่อสรุปสิ่งที่เราเพิ่งทำไป ข้อมูลการฝึกอบรมของเราคือสัญญาณเซ็นเซอร์ที่ได้จากเซ็นเซอร์โทรศัพท์มือถือ เราใช้เทคนิคการประมวลผลเบื้องต้นขั้นพื้นฐานเพื่อดึงคุณสมบัติต่างๆ เช่น ค่าเบี่ยงเบนมาตรฐานเฉลี่ยและ PCA จากนั้นเราก็ใช้แอป Classification Learner เพื่อให้ได้โมเดลที่ดีที่สุดโดยอิงตามความถูกต้องของการตรวจสอบ Holdout

สำหรับการคาดคะเนด้วยข้อมูลใหม่ เราใช้ขั้นตอนก่อนการประมวลผลเดียวกันกับข้อมูลใหม่ จากนั้นเราใช้แบบจำลองที่ได้รับการฝึกฝนเพื่อทำการคาดคะเนแล้วแสดงภาพผลลัพธ์ มาดูอีกตัวอย่างหนึ่งกัน ซึ่งเราจะฝึกโมเดลแมชชีนเลิร์นนิงโดยใช้ข้อมูลรูปภาพ วัตถุประสงค์ของตัวอย่างนี้คือการฝึกตัวแยกประเภทให้ตรวจจับรถยนต์โดยอัตโนมัติจากวิดีโอเว็บแคม ข้อมูลประกอบด้วยรูปภาพหลายรูปของรถของเล่นสี่คันที่แตกต่างกัน การตอบสนองของเอาต์พุตเป็นป้ายกำกับสำหรับรถทั้งสี่คันนี้

แนวทางที่เราจะใช้มีดังนี้ ขั้นแรก เราจะแยกคุณลักษณะออกจากภาพเหล่านี้โดยใช้เทคนิคที่เรียกว่าถุงคำ จากนั้นเราจะใช้คุณสมบัติเหล่านี้ในการฝึกอบรมและจัดประเภทตัวแยกประเภทต่างๆ โดยใช้ Classification Learner และสุดท้าย—นี่คือส่วนที่น่าสนใจ—เราจะได้เห็นการสาธิตสดของรถรุ่นที่เราฝึกฝนเพื่อระบุรถยนต์แบบเรียลไทม์จากฟีดเว็บแคมในสำนักงานของฉัน

ดังนั้นเรามาเปลี่ยนมาใช้ MATLAB กันเถอะ ฉันจะล้างพื้นที่ทำงานของฉันและเริ่มต้นกระดานชนวนใหม่ทั้งหมด ลองมาดูข้อมูลของเรากัน ต่อไปนี้คือกลุ่มรูปภาพและโฟลเดอร์ และชื่อโฟลเดอร์แต่ละชื่อจะเป็นป้ายกำกับสำหรับชุดรูปภาพในโฟลเดอร์นั้น มาดูกันว่าภาพนอก MATLAB มีลักษณะอย่างไร

ต่อไปนี้คือรูปภาพจำนวนมากสำหรับเนินทรายที่ถ่ายจากหลายมุมและสภาพแสงที่แตกต่างกัน และฉันมีรูปภาพดังกล่าวหลายรูปสำหรับรถทั้งสี่คัน เมื่อทำงานกับรูปภาพ การโหลดรูปภาพทั้งหมดเป็นลูปและการติดตามไฟล์และโฟลเดอร์ทั้งหมดและป้ายกำกับอาจเป็นเรื่องที่เจ็บปวด Computer Vision System Toolbox มีเครื่องมือที่สะดวก เช่น Image Set ที่ทำให้งานนี้ง่ายขึ้น ฉันเพียงแค่ให้ Image Set กับโฟลเดอร์ที่มีรูปภาพทั้งหมดของฉันและสั่งให้ดูที่โฟลเดอร์ย่อยทั้งหมดด้วย ข้อดีที่สำคัญอีกประการของ Image Set คือมันไม่ได้โหลดรูปภาพทั้งหมดไปยังหน่วยความจำ ดังนั้นจึงใช้งานได้ง่ายเมื่อคุณมีรูปภาพจำนวนมาก

ในการประมวลผลข้อมูลของฉันล่วงหน้าและเพื่อแยกคุณลักษณะต่างๆ ฉันจะใช้วิธีที่เรียกว่าถุงคุณลักษณะ นี่เป็นเทคนิคที่ค่อนข้างซับซ้อนในการแยกฟีเจอร์ออกจากรูปภาพและใช้งานได้ดีเป็นพิเศษ หากคุณสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับฟังก์ชันนี้ เอกสารคู่มือ Computer Vision System Toolbox จะมีคำอธิบายโดยละเอียดเกี่ยวกับสิ่งที่อัลกอริทึมทำภายใต้ประทุน สำหรับตอนนี้ เราจะถือว่าฟังก์ชันนี้เป็นเครื่องมือแยกคุณลักษณะที่เราจะใช้เพื่อแยกคุณลักษณะออกจากรูปภาพ

เช่นเดียวกับที่เราทำในตัวอย่างก่อนหน้านี้ มาสร้างตารางและกำหนดป้ายกำกับให้กับตารางกัน ข้ามไปที่ Classification Learner และเริ่มฝึกแบบจำลองของเรา มาดูข้อมูลของเรากัน เรามีฟีเจอร์ใหม่ 200 รายการที่ดึงมาจากรูปภาพ และตัวแปรสุดท้ายคือการตอบสนอง ฉันจะเลือก Holdout เป็นการตรวจสอบอีกครั้ง และตอนนี้ฉันพร้อมที่จะเริ่มฝึกโมเดลแล้ว

ฉันจะฝึกโมเดลสองสามตัวอย่างรวดเร็ว โดยเริ่มจากเพื่อนบ้านที่ใกล้ที่สุดและเครื่องเวกเตอร์ที่รองรับ ตอนนี้ฉันได้รับการฝึกฝนไม่มากก็น้อยแล้ว มาทำการวินิจฉัยด้วยภาพอย่างรวดเร็วโดยใช้เมทริกซ์ความสับสน เมทริกซ์ความสับสนส่วนใหญ่จะเป็นเส้นทแยงมุม ซึ่งนั่นเป็นสิ่งที่ดี และเราจะส่งออกโมเดลเหล่านี้อย่างรวดเร็วและดูว่ามันทำงานอย่างไรกับภาพสตรีมมิ่งจริง

ก่อนที่ฉันจะเรียกใช้ฟังก์ชันนี้ ฉันต้องการแสดงรหัสและความง่ายในการรับภาพสตรีมมิ่งและจัดประเภทภาพตามเวลาจริง ฟังก์ชันใช้สองอินพุต อย่างแรกคือโมเดลรถไฟ และอย่างที่สองคือออบเจกต์ที่มีฟีเจอร์มากมาย ซึ่งฉันจะใช้เพื่อแยกฟีเจอร์ออกจากภาพใหม่

การเริ่มต้นเว็บแคมเป็นเรื่องง่าย สิ่งที่ฉันต้องทำคือเรียกคำสั่ง Webcam ภายในลูปที่ทำงานอย่างต่อเนื่อง ขั้นแรก ฉันได้สแน็ปช็อตจากเว็บแคมแล้วแปลงเป็นโทนสีเทา ซึ่งหมายความว่าโมเดลควรจะสามารถระบุรถยนต์ได้โดยไม่ต้องใช้ข้อมูลสี ขั้นตอนต่อไปคือการดึงคุณลักษณะต่างๆ จากรูปภาพใหม่นี้ และสุดท้าย ใช้ฟังก์ชันการทำนายและโมเดลที่ได้รับการฝึกฝนเพื่อคาดการณ์เกี่ยวกับรูปภาพใหม่ กลับไปเรียกใช้ฟังก์ชันนี้กันเถอะ

พล็อตด้านบนนี้แสดงภาพจากเว็บแคมของฉัน และแถบสีเขียวตรงนี้คือผลลัพธ์ของแบบจำลองที่คาดการณ์ในภาพนี้ นี่คือตัวแยกประเภทที่ฉันใช้ และแผนภูมิแท่งนี้แสดงให้เห็นว่าตัวแยกประเภทมีความมั่นใจเพียงใดว่ารถคันนี้เป็นของ Lightning, Mater, Nigel หรือ Sand Dune ลองเลื่อนกล้องไปรอบๆ เพื่อดูว่าตัวแบบทำงานอย่างไรในมุมและการวางแนวต่างๆ

ดังนั้นโมเดลจึงได้รับสิทธิจาก Lightning เป็นส่วนใหญ่ แต่เมื่อเราย้ายไปที่ Nigel คุณจะเห็นว่าโมเดลไม่มั่นใจอย่างสมบูรณ์ว่าเป็นรถรุ่นใด แผนภาพความน่าจะเป็นด้านล่างแสดงให้คุณเห็นว่าโมเดลมีความมั่นใจเพียงใดในการทำนายว่ารถคันนี้คือคันใด นี่คือ Sand Dune และสุดท้ายคือ Mater

ลองส่งออกโมเดลอื่นจาก Classification Learner และดูว่าโมเดลทั้งสองทำงานเคียงข้างกันอย่างไร ฉันจะใช้ Linear SVM และเลือกส่งออกด้วยชื่อเริ่มต้น ตอนนี้ฉันมีตัวแยกประเภทสองตัว หรือสองรุ่นในพื้นที่ทำงานของฉัน หนึ่งคือเคเอ็นเอ็น อีกอันคือเครื่องเวกเตอร์ที่รองรับ

ตอนนี้ให้ฉันเรียกใช้โค้ดชิ้นนี้ซึ่งเปรียบเทียบประสิทธิภาพของตัวแยกประเภทสองตัวนี้เคียงข้างกัน สิ่งที่เราเห็นอีกครั้งที่นี่คือวิดีโอเปรียบเทียบประสิทธิภาพของตัวแยกประเภทสองตัวแบบเคียงข้างกัน ที่ด้านบนซ้ายเป็นสีแดงคือประสิทธิภาพของตัวแยกประเภท SVM ของเรา และที่ด้านล่างขวาคือประสิทธิภาพของตัวแยกประเภท KNN สิ่งสำคัญที่ควรทราบในที่นี้ไม่ใช่แค่การเปรียบเทียบและทดสอบโมเดลใน Classification Learner ที่ง่ายเท่านั้น แต่ยังง่ายพอๆ กับการส่งออกโมเดลเหล่านี้ไปยัง MATLAB และทดสอบแบบเรียลไทม์

นั่นนำเราไปสู่จุดสิ้นสุดของการสาธิตนี้ เรามาเปลี่ยนกลับไปที่งานนำเสนอของเรากัน มาสรุปสิ่งที่เราเพิ่งทำสำเร็จอีกครั้งโดยใช้ไดอะแกรมเวิร์กโฟลว์ที่เราคุ้นเคย

อินพุตของเราประกอบด้วยภาพที่มีป้ายกำกับหลายภาพบนดิสก์ เราใช้วิธีถุงคำเพื่อสร้างคุณสมบัติใหม่ จากนั้นเราใช้แอป Classification Learner เพื่อให้ได้แบบจำลองที่ดีที่สุดของเรา สำหรับขั้นตอนการคาดคะเน เราได้รับข้อมูลใหม่จากเว็บแคม เข้ารหัสรูปภาพและคุณสมบัติใหม่ และใช้โมเดลที่ผ่านการฝึกอบรมเพื่อทำการคาดคะเนตามเวลาจริง

สิ่งนี้นำเราไปสู่บทสรุปและประเด็นสำคัญ เพื่อสรุปสิ่งที่เราได้เห็นไปแล้ว ให้ฉันย้อนกลับไปที่ความท้าทายที่ฉันได้ตั้งไว้ในตอนต้นของงานนำเสนอนี้ หวังว่าคุณจะได้เห็นในวันนี้ว่า MATLAB สามารถจัดการกับความท้าทายเหล่านี้ได้อย่างไร

สำหรับความท้าทายแรกของความหลากหลายของข้อมูล เราได้เห็นว่า MATLAB สามารถทำงานกับข้อมูลประเภทต่างๆ ได้อย่างไร MATLAB ยังสามารถเข้าถึงและดาวน์โหลดฟีดข้อมูลทางการเงิน ทำงานกับข้อความ ข้อมูลเชิงพื้นที่ และข้อมูลรูปแบบอื่นๆ MATLAB ยังมีไลบรารีของอัลกอริธึมและฟังก์ชันมาตรฐานอุตสาหกรรมที่ผ่านการตรวจสอบแล้ว MATLAB ยังมีเครื่องมือเพิ่มเติมสำหรับเวิร์กโฟลว์วิศวกรรมเฉพาะในด้านการเงิน การประมวลผลสัญญาณ การประมวลผลภาพ และอื่นๆ อีกมากมาย

นอกจากนี้ เรายังได้เห็นวิธีที่เราสามารถสร้างและสร้างต้นแบบโซลูชันได้อย่างรวดเร็ว ซึ่งโต้ตอบกับเวิร์กโฟลว์ที่ขับเคลื่อนด้วยแอป ซึ่งช่วยให้คุณมุ่งเน้นไปที่การเรียนรู้ของเครื่อง ไม่ใช่การเขียนโปรแกรมและการดีบัก แนวทางปฏิบัติที่ดีที่สุดสำหรับแมชชีนเลิร์นนิง เช่น เครื่องมือตรวจสอบความถูกต้องระหว่างกันและการประเมินโมเดล จะรวมอยู่ในแอปและฟังก์ชันต่างๆ ดังที่เราเห็น MATLAB ยังมีเอกสารประกอบมากมายที่มีหลักเกณฑ์มากมายที่ช่วยให้คุณเลือกเครื่องมือที่เหมาะสมสำหรับงาน ประการสุดท้าย MATLAB เป็นสภาพแวดล้อมการสร้างแบบจำลองที่ยืดหยุ่นโดยเนื้อแท้และเป็นภาษาโปรแกรมที่สมบูรณ์โดยไม่มีข้อจำกัดในการปรับแต่งที่คุณสามารถทำได้ในการวิเคราะห์ของคุณ สิ่งนี้ทำให้ MATLAB เป็นแพลตฟอร์มที่ยอดเยี่ยมสำหรับการเรียนรู้ของเครื่อง

สิ่งนี้นำเราไปสู่จุดสิ้นสุดของการนำเสนอ และฉันจะพยายามทำให้สั้นและกระชับ ฉันต้องการแชร์หลักเกณฑ์บางอย่างเกี่ยวกับเวลาที่คุณควรพิจารณาแมชชีนเลิร์นนิง ลองใช้แมชชีนเลิร์นนิงหากคุณกำลังแก้ปัญหาที่กฎและสมการที่เขียนด้วยลายมือซับซ้อนเกินไปหรือสร้างไม่ได้ หรือเมื่อกฎของงานของคุณมีการเปลี่ยนแปลงอยู่เสมอ และโปรแกรมหรือโมเดลของคุณจำเป็นต้องปรับเปลี่ยนอยู่เสมอ เนื่องจากงานของคุณเป็นเป้าหมายที่เคลื่อนไหว หรือเมื่อธรรมชาติของข้อมูลของคุณเปลี่ยนไป และโปรแกรมจำเป็นต้องปรับตัวอยู่เสมอ

และหวังว่าฉันจะสามารถโน้มน้าวใจคุณได้ว่า MATLAB เป็นแพลตฟอร์มที่ทรงพลังสำหรับทุกขั้นตอนของเวิร์กโฟลว์แมชชีนเลิร์นนิง เราสนใจที่จะรับฟังความคิดเห็นจากคุณเสมอ และคุณสามารถค้นหาข้อมูลติดต่อของฉันได้ในหน้าผลิตภัณฑ์กล่องเครื่องมือสถิติและการเรียนรู้ของเครื่อง หากคุณสนใจที่จะเรียนรู้เพิ่มเติม โปรดดูเอกสารประกอบของผลิตภัณฑ์ มีตัวอย่างและหน้าแนวคิดมากมายที่ไม่เพียงช่วยให้คุณเริ่มต้นได้ แต่ยังแนะนำคุณเมื่อคุณเชี่ยวชาญในเครื่องมือต่างๆ

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับอัลกอริทึม พื้นที่ใช้งาน ตัวอย่าง และการสัมมนาผ่านเว็บที่เกี่ยวข้องกับแมชชีนเลิร์นนิง โปรดไปที่หน้าแมชชีนเลิร์นนิง สิ่งนี้นำเราไปสู่จุดสิ้นสุดของเซสชันนี้ ขอบคุณทุกท่านที่รับฟัง