Машинное обучение в MATLAB - Exponenta.ru...2017/05/18  · 24 Машинное обучение на Big Data•Статистика (skewness, tabulate, crosstab,

1

Машинное обучение в MATLAB

Павел Рословец

2

План вебинара

Машинное обучение

Глубокое обучение

Обучение на Big Data

Экспорт алгоритмов

45 мин

3

Искусственный интеллект

Машинное обучение

Развитие технологий ИИ

Глубокое обучение

1950s сегодня1980s

Ши

рота

при

ме

нени

я

Автономные авто

Роботы

Распознавание объектовБиоинформатика

Интернет вещей

Определение спама

Обнаружение мошенничества

Предсказание погоды

Алгоритмический трейдинг

Медицинская диагностика

Мониторинг здоровья

Компьютерные игры

Машинный перевод

Представление знаний

Восприятие

Аргументация

Интерактивные проргаммы

Экспертные системы

4

Машинное обучение рассматривают, когда

корректироваться при поступлении новых данных

находить сложные нелинейные взаимосвязи

эффективно обучаться на больших данных

• Решение слишком сложное для написания уравнений

Распознавание речи Распознавание объектов Контроль оборудования

• Решение должно адаптироваться под новые данные

Прогноз погоды Предсказание энергозатрат Предсказание рынка

• Решение нужно масштабировать

Аналитика IoT Поиск такси Предсказание задержки рейсов

Потому что алгоритмы могут:

5

Сложности машинного обучения

Анализ занимает много времени

Необходима серьезная техническая экспертиза

Нет одного решения для всего

Решения в виде «черных ящиков»

Большое количество математических функций

Документация и приложения упрощают работу

Приложения позволяют быстро подобрать модель

Создание из моделей независимых приложений

6

Алгоритмы машинного обучения

Машинное обучение

Обучение с учителем

Классификация

Регрессия

Обучение без учителя

Кластеризация

Группировка и интерпретациявходных данных

Поиск взаимосвязимежду входом и

выходом

7

Кластеризация

Обучающие данные

?Входные

данныеКластеры

8

Классификация

Обучающие данные

?Входные

данныеКлассы

9

Регрессия

Обучающие данные

?Входные

данные

Непрерывная

величина

10

Statistics and Machine Learning

Toolbox

11

Методы кластеризации

Кластеризация

k-Means,Fuzzy C-Means

HierarchicalGaussianMixture

HiddenMarkov Model

12

Методы обучения с учителем

Регрессия

Классификация

NearestNeighbor

Discriminant Analysis

Naive Bayes

Gaussian Process

Non-linearReg.

(GLM, Logistic)

LinearRegression

DecisionTrees

Ensemble Methods

Support Vector

Machines

13

Улучшение моделей

• Выбор признаков

• Трансформация

признаков

• Настройка

гиперпараметров

14

Выбор признаков(Feature Selection)

• Stepwise regression

• Sequential feature selection

• Regularization

• Neighborhood component analysis (NCA)

15

Трансформация признаков(Feature Transformation)

• Principal component analysis (PCA)

• Nonnegative matrix factorization

• Factor analysis

• Sparse Filtering

• Reconstruction ICA

16

Демо ирисы ФишераКластеризация

Sepal

Petal

17

Предсказательное обслуживание(Predictive Maintenance)

Анализ накопленных данных

Создание модели для предсказания отказов

Развертывание модели для предсказания в реальном времени

Предотвращение отказов

Сбор данных

18

Данные

Сигналы с датчиков 100

двигателей одной модели

Цель

Построить модель предсказания

отказов

Демо предсказание отказов двигателяКлассификация

19

Использование накопленных данных

?

На

копл

енн

ые

«Ж

ивы

е»

Двигатель1

Двигатель2

Двигатель100

Начало использования

Циклы

(время)

Двигатель200

Начало записи Отказ Обслуживание

20

Демо предсказание стоимости таксиРегрессия

Данные

Статистика поездок такси

Нью-Йорка

Цель

Построить модель предсказания

стоимости поездки

21

Обучение на больших данных

Зачем использовать?

–Обучение на больших выборках дает более

точную модель

Сложности

–Данные не помещаются в память

–Интерактивная работа непрактична

22

Стандартные методы

• Использование только части данных

• Последовательная работа с частями данных

• Распараллеливание обработки

• Дополнительная работа• Требует больше усилий/кода• Может повлиять на качество результата

23

Подход MATLAB

• Быстрый переход к большим данным

• Обучение на больших данных

• Автоматическое распараллеливание

• Бесшовный переход от обучения на обычных данных к Big Data

24

Машинное обучение на Big Data

• Статистика (skewness, tabulate,

crosstab, cov, grpstats, …)

• K-means кластеризация (kmeans)

• Визуализация (ksdensity,

binScatterPlot; histogram, histogram2)

• Уменьшение размерности (pca,

pcacov, factoran)

• Linear and generalized linear regression

(fitlm, fitglm)

• Discriminant analysis (fitcdiscr)

• Linear classification methods for

SVM and logistic regression

(fitclinear)

• Random forest ensembles of

classification trees (TreeBagger)

• Naïve Bayes classification (fitcnb)

• Regularized regression (lasso)

• Предсказание по Big Data

25

Экспорт алгоритмов

MATLAB

MATLAB

Compiler SDK

C/C++Excel JavaHadoop .NET

MATLAB

Compiler

MATLAB

Production

Server

Standalone

ApplicationPython

MATLABRuntime

26

Генерация С кода из моделей машинного обучения

MATLAB Coder Мобильные сенсоры

Мониторинг состояния

Предсказание отказов

Пост-обработка для радаров

Системы наблюдения

Классификация физиологических

сигналов(ECG)

...

C code

MATLAB code

Embedded Systems

27

– Vector machine classification (fitcsvm)

– Linear classification models (fitclinear)

– Multi-class versions of the above (fitcecoc)

– Linear regression models (fitlm)

– Generalized linear regression models (fitglm, glmval)

– Decision trees for classification and regression (fitctree, fitrtree)

– Ensembles of trees for classification (fitcensemble)

Генерация С кода из моделей машинного обучения

28

M

MATLAB Compiler

MATLAB Compiler

SDK

MATLAB Coder

Statistics and Machine Learning ToolboxMATLAB

MATLAB идеальное решение для

машинного обучения

Загрузка

данных

Обработка

данных

Извлечение

признаков

Тренировка

модели

Подбор

лучшей

модели

Интеграция в

производство

29

https://www.mathworks.com/campaigns/products/offer/machine-learning-with-matlab

30

Neural Network Toolbox• Создание и обучение нейросетей

• Глубокое обучение

• Классификация, регрессия и кластеризация

• Графические инструменты

• Экспорт алгоритмов и генерация С кода

• (скоро) генерация GPU кода

31

Deep learning

• Экспорт функций для тренировкинейросетей

• Поддержка AlexNet

• Transfer learning:− AlexNet− VGG-16− VGG-19− модели из Caffe

• Поддержка нескольких GPU

• Распознавание изображений:− R-CNN− Fast R-CNN− Faster R-CNN

32

Демо распознавание цифрTransfer learning

Данные

- Нейросеть для

распознавания букв

- Набор цифр

Цель

Обучить сеть распознавать

цифры

33

Особенности машинного

обучения в MATLAB

Работа с любыми данными

Огромные возможности анализа и

визуализации

Ускорение за счет параллельных

вычислений

Создание независимых приложений

34

Уникальность MATLAB

• Легко работать с данными, не влезающими в память

Работа с Big Data

• Реализация полного цикла разработки

Экосистема тулбоксов

• Тренировка, сравнение и экспорт моделей без написания кода

Графические приложения

• Развёртывание моделей на встраиваемых системах

Генерация кода

35

MATLAB – самая простая и эффективная среда для специалистов в области машинного обучения

36

MATLABinRussia

mathworks.com

matlab.ru

• User stories• Products• Documentation

• Мероприятия• Тренинги

• Вводные ролики

37

• Поставка MATLAB & Simulink

• Обучение специалистов

• Настройка решений под ключ

• Консалтингexponenta.ru

info@exponenta.ru

+7 (495) 009 65 85

Центр инженерных технологий

и моделирования

38

• MLBE: основы MATLAB• MLVI: MATLAB для обработки и визуализации

данных• MLML: Машинное обучение с MATLAB• MLST: Статистические методы в MATLAB• MLEM: Генерация C кода из MATLAB с

помощью MATLAB Coderи другие…

Тренинги

39

Консалтинг

Интернет вещейАнализ данныхМашинное обучениеВстраиваемые системы

40

День вебинаров: Методы анализа данных для интернета вещей

11:00 - Анализ данных в MATLAB для IoT13:30 - Машинное обучение в MATLAB16:00 - Параллельные вычисления и Big Data