WolframMaschinelles LernenEin Kernbestandteil der
Wolfram Language
Maschinelles Lernen & künstliche neuronale Netze.
Vom klassischen maschinellen Lernen in Produktionsqualität bis hin zu moderner künstlicher Intelligenz, mit tiefgreifender Integration von statistischer Analyse, Visualisierung, Bildverarbeitung und mehr. Alles, was Sie brauchen, um intelligente Systeme aufzubauen.
Klassifikation
Verwenden Sie sofort vorgefertigte Klassifikatoren oder erstellen Sie Ihre eigenen, um Daten aller Art – Text, Bilder, Arrays, Audio und Video – in eine Vielzahl von Kategorien zu klassifizieren. Beispiele sind die Identifizierung von Pflanzenblättern, Vogelstimmen oder menschlichen Handlungen unter Verwendung von Klassifikationsverfahren wie logistische Regression, Random Forest- und Support Vector Machine-Klassifikatoren und KNN-Modelle.
Regression
Prognostizieren Sie Preise, die Wirksamkeit von Behandlungen oder Ernteerträge: Nutzen Sie die Regressionsanalyse überall, um einen Wert aus einer Reihe von Variablen – Zahlen, Arrays, Bildern und Text – vorherzusagen. Nutzen Sie die leistungsstarke Merkmalsextraktion aus beliebigen Datentypen und lassen Sie dann die Automatisierung das beste Modell und die besten Parameter auswählen oder passen Sie sie kontrolliert an.
Clusteranalyse
Ordnen Sie verschiedene Objekte auf der Grundlage ihrer Ähnlichkeit zu verschiedenen Gruppen zu, ohne Vorwissen und mit unüberwachter Klassifizierung. Clustering kann zur Klassifizierung von Kundentypen, Tiertaxonomien und vielen anderen Gruppen verwendet werden. Es werden verschiedene Methoden unterstützt, darunter k-means, spektrales und hierarchisches Clustering.
Dimensionalitätsreduktion
Stellen Sie beliebige Daten in einem niedrigdimensionalen Raum dar, um komplexe Datensätze mit mehreren Merkmalen (einschließlich nicht numerischer Merkmale) zu visualisieren und eine Datenkomprimierung oder sogar eine unüberwachte Merkmalsauswahl durchzuführen. Eine Vielzahl von Methoden wie Hauptkomponenten, isometrisches Mapping, T-SNE und UMAP ermöglicht die Modellierung sowohl linearer als auch nichtlinearer Strukturen.
Anomalieerkennung
Erkennen Sie extreme, neue oder ungewöhnliche Werte. Markieren Sie Anomalien direkt in einem Datensatz, erstellen Sie einen wiederverwendbaren Anomaliedetektor oder gehen Sie von einer Verteilung aus, die aus beliebigen Datentypen erstellt wurde. Die Anwendungen reichen von der Fehlererkennung bis zur Leistungsüberwachung, Qualitätsbewertung, Erkennung von Neuheiten und mehr.
Imputieren fehlender Datenwerte
Füllen Sie die fehlenden Werte in Ihrem Datensatz durch das Generieren synthetischer Daten auf. Fehlende Daten aufgrund von Gerätefehlern, beschädigten Dateien oder unvollständiger Dateneingabe können zu erheblichen Verzerrungen beim Modelltraining führen oder das Training sogar unmöglich machen. Ergänzen Sie fehlende Werte automatisch oder anhand einer vorgegebenen Verteilung.
Künstliche neuronale Netze
Ist der Regenwald gesund? Ist in diesem MRI-Scan ein Tumor? Was heißt "Katze" auf Französisch? Nutzen Sie neuronale Netze, um diese bisher schwierigen Fragen in einem einfachen, aber flexiblen Rahmen zu beantworten. Importieren Sie bereits trainierte Modelle, passen Sie Modelle an neue Probleme an, indem Sie sie neu trainieren, oder trainieren Sie ein Netzwerk von Grund auf.
Verarbeitung natürlicher Sprache
Finden Sie die Antwort auf eine Frage in einem Text, markieren Sie jede Erwähnung eines bestimmten Begriffs oder analysieren Sie die syntaktische Struktur eines Satzes. Die Verarbeitung natürlicher englischer Sprache ist ein wichtiger Bestandteil in Bereichen wie Data Mining, Marktforschung und Kundensupport.
Computer Vision
Effizientes und genaues Finden und Erkennen von Objekten, Text, Gesichtern usw. in Bildern oder fortgeschrittene Segmentierung, Stilisierung und vieles mehr mithilfe von Modellen für maschinelles Lernen und neuronale Netzwerke. Die Lösungen werden überall eingesetzt, von Fahrerassistenzsystemen bis hin zu automatisierter Qualitätskontrolle, Sicherheit, Medizin und anderen Anwendungen.
Sprachverarbeitung
Analysieren und verarbeiten Sie Sprachsignale, um Sprechintervalle zu erkennen, Spracherkennung durchzuführen, Sprecher zu identifizieren oder sogar die Tonhöhe des Sprechers zu ändern. Nutzen Sie maschinelles Lernen zusammen mit Audioverarbeitung, statistischer Analyse und Visualisierung für einfache und hocheffiziente Sprachverarbeitungsverfahren.
Dokumentation für Wolfram Maschinelles Lernen
Wolfram Maschinelles Lernen ist integrierter Bestandteil der Wolfram Language. Das vollständige System enthält über 6.000 eingebaute Funktionen, die alle Bereiche des Rechnens abdecken—alle sorgfältig integriert, damit sie perfekt zusammenarbeiten.
Vollständiger Umfang & Dokumentation
Guide
Guide
OverviewEinführungskurse
Erste Schritte mit Wolfram Maschinelles Lernen
Nutzen Sie die Wolfram Language über Wolfram|One oder Mathematica
