機器學習是一種數據分析技術，讓計算機學習人類和動物與生俱來的能力：從經驗中學習。 機器學習算法使用計算方法直接從數據中“學習”信息，而不依賴于預定方程作為模型。 隨著可用于學習的樣本數量的增加，算法也會相應地提高性能。

了解機器學習，從這三個問題開始：

為什么機器學習很重要？

隨著大數據的興起，機器學習已經成為解決很多領域問題的關鍵技術，例如：

計算金融，用于信用評分和算法交易

圖像處理和計算機視覺，用于人臉識別，運動檢測和物體檢測

計算生物學，用于腫瘤檢測，藥物發現和DNA測序

能源生產，用于價格和負荷預測

汽車，航空和制造，用于預測性維護

自然語言處理，用于語音識別應用

更多數據，更多問題，更好的解決方案。機器學習算法在數據中發現自然模式，從而產生洞察力，并幫助您做出更好的決策和預測。 在醫學診斷，股票交易，能量負荷預測等領域，每天都會使用機器學習算法做出重要決定。 例如，媒體網站依靠機器學習來篩選數百萬個選項，為您提供歌曲或電影推薦。 零售商利用它來了解客戶的采購行為。

什么情況下使用機器學習？

當您有一個復雜的任務或涉及大量數據和大量變量的問題，但沒有現有的公式或方程式時，需要考慮使用機器學習。 例如處理以下情況，機器學習是一個很好的選擇：

面部識別和語音識別 ——

手寫規則和方程式太復雜

交易記錄的欺詐檢測 ——

任務的規則不斷變化

自動化交易和需求預測 ——

數據的性質不斷變化，程序需要適應

如何實現機器學習？

機器學習包括兩種學習方式：

監督式學習，通過訓練已知輸入和輸出數據的模型，來預測未來的輸出

無監督學習，在輸入數據中發現隱藏的模式或內在結構

聚類 Clustering

查找數據中的自然分組和模式。在未標記的數據上使用聚類來查找自然分組和模式。聚類應用包括模式挖掘、醫學成像和對象識別。

分類 Classification

構建模型將數據劃分到不同的類別。這有助于更準確地分析和可視化您的數據。可以為信用評分、腫瘤檢測、人臉識別等應用使用分類。

回歸 Regression

構建模型來預測連續數據。有了此信息，您可以對未來的數據點進行預測。

MATLAB 機器學習

應用機器學習處理大數據的工具和應用程序中，MATLAB 是一個理想的數據分析環境。使用 MATLAB，您可以立即訪問預置的函數、大量的工具箱以及用于分類、回歸和聚類的專門應用程序。MATLAB 可以實現：

比較各種方法，例如邏輯回歸、分類樹、支持向量機、集成方法和深度學習

使用模型優化和縮減技術創建能夠最好地捕捉數據預測能力的精確模型

將機器學習模型集成到企業系統、集群和云中，并且將模型輸出到實時嵌入式硬件

通過自動生成代碼對嵌入式傳感器進行分析

支持從數據分析到實現的系統流程

《MATLAB 機器學習》電子書

逐步學習從基礎到高級的技術和算法