什么是机器学习?

机器学习教导电脑做自然对人类的事：从经验中学习。机器学习算法使用计算方法直接从数据“学习”信息，而不依赖于预定的方程作为模型。随着用于学习增加的样本的数量，该算法自适应地提高了它们的性能。

机器学习使用两种技术:监督学习(supervised learning)，它根据已知的输入和输出数据训练模型，以便预测未来的输出;非监督学习(unsupervised learning)，它发现输入数据中隐藏的模式或内在结构。

有监督机器学习的目的是建立一个模型，在存在不确定性的情况下，根据证据做出预测。监督学习算法接受一组已知的输入数据和对数据(输出)的已知响应，并训练一个模型，以生成对新数据响应的合理预测。监督学习使用分类和回归技术来开发预测模型。

无监督学习可以发现数据中隐藏的模式或内在结构。它用于从没有标记响应的输入数据组成的数据集中得出推论。聚类是最常见的无监督学习方法。它用于探索性数据分析，以发现数据中隐藏的模式或分组。聚类的应用包括基因序列分析、市场研究和目标识别。

选择正确的算法

选择正确的算法似乎压倒 - 有几十个监督和无监督的机器学习算法，每个都采取了不同的学习方法。没有最好的方法或一个尺寸适合所有。找到合适的算法部分基于试验和错误 - 甚至高度经验丰富的数据科学家无法判断算法是否会在不尝试的情况下工作。高度灵活的模型倾向于通过模拟可能具有噪声的轻微变形来溢出数据。简单的模型更容易解释，但可能具有较低的准确性。因此，选择正确的算法需要交易对另一个益处的交易，包括模型速度，准确性和复杂性。试用和错误是在机器学习的核心 - 如果一种方法或算法不起作用，则会尝试另一个方法。马铃薯^®提供工具，帮助您尝试各种机器学习模型，并选择最好的。

要找到MATLAB应用程序和函数来帮助你解决机器学习任务，请参考下表。一些机器学习任务通过应用程序变得更容易，而另一些则使用命令行特性。

以下系统机器学习工作流程可以帮助您解决机器学习挑战。您可以在MATLAB中完成整个工作流程。

要将最佳培训的模型集成到生产系统中，可以使用统计和机器学习工具箱学习模型使用MATLAB编译器™。对于许多模型，您可以生成用于预测的c代码Matlab Coder™。

在分类学习者应用程序中训练分类模型

使用分类学习者应用程序来培训模型以使用监督机器学习对数据进行分类。该应用程序允许您使用各种分类器交互式地探索监督机器学习。

要了解更多，请参见在分类学习者应用程序中训练分类模型。

有关更多选项，您可以使用命令行界面。看到分类。

在回归学习者应用程序中训练回归模型

使用回归学习者应用程序来培训模型以预测使用监督机器学习的连续数据。该应用程序允许您使用各种回归模型交互地探索监督机器学习。

要了解更多，请参见在回归学习者应用程序中训练回归模型。

有关更多选项，您可以使用命令行界面。看到回归。

训练深度学习的神经网络

深度学习工具箱使您能够与卷积神经网络进行深度学习，用于分类，回归，特征提取和转移学习。工具箱提供简单的MATLAB命令，用于创建和互连深神经网络的图层。例子和净化网络使Matlab易于使用MATLAB，即使没有对先进的计算机视觉算法或神经网络的广泛知识。

要了解更多，请参见MATLAB中的深度学习（深度学习工具箱）。