El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència

HOME

Introducció

L'aprenentatge automàtic (Machine Learning) és una branca de la intel·ligència artificial que permet als sistemes aprendre i millorar a partir de l'experiència sense ser explícitament programats. MATLAB ofereix una àmplia gamma d'eines i funcions per implementar i experimentar amb tècniques d'aprenentatge automàtic.

Continguts

Conceptes Bàsics d'Aprenentatge Automàtic
Preparació de les Dades
Algorismes d'Aprenentatge Supervisat
Algorismes d'Aprenentatge No Supervisat
Avaluació de Models
Exemple Pràctic: Classificació de Dades
Exercicis Pràctics

Conceptes Bàsics d'Aprenentatge Automàtic

Definicions Clau

Aprenentatge Supervisat: Modela una funció que mapeja una entrada a una sortida basada en exemples d'entrada-sortida parells.
Aprenentatge No Supervisat: Troba estructures ocultes en dades sense etiquetes.
Característiques: Atributs o propietats de les dades utilitzades per entrenar el model.
Etiquetes: Resultats o classes associades a les dades d'entrenament en l'aprenentatge supervisat.

Tipus de Problemes

Classificació: Assignar una etiqueta a una entrada.
Regressió: Predir un valor continu.
Clustering: Agrupar dades en grups basats en similituds.

Preparació de les Dades

Importació de Dades

data = readtable('data.csv');

Preprocessament de Dades

Normalització: Ajustar les dades perquè tinguin una escala comuna.
Tractament de Valors Perduts: Omplir o eliminar valors nuls.

data = fillmissing(data, 'constant', 0);
data = normalize(data);

Algorismes d'Aprenentatge Supervisat

Regressió Lineal

X = data(:, 1:end-1);
y = data(:, end);
model = fitlm(X, y);

Classificació amb K-Nearest Neighbors (KNN)

Mdl = fitcknn(X, y, 'NumNeighbors', 5);

Algorismes d'Aprenentatge No Supervisat

Clustering amb K-means

[idx, C] = kmeans(X, 3);

Anàlisi de Components Principals (PCA)

[coeff, score, latent] = pca(X);

Avaluació de Models

Mètriques de Rendiment

Precisió: Proporció de prediccions correctes.
Matriu de Confusió: Taula que descriu el rendiment d'un model de classificació.

predictions = predict(Mdl, X);
confMat = confusionmat(y, predictions);
accuracy = sum(diag(confMat)) / sum(confMat(:));

Exemple Pràctic: Classificació de Dades

Descripció del Problema

Classificarem un conjunt de dades en dues categories utilitzant un model de classificació.

Pas 1: Importació de Dades

data = readtable('classification_data.csv');
X = data(:, 1:end-1);
y = data(:, end);

Pas 2: Divisió de les Dades

cv = cvpartition(size(data, 1), 'HoldOut', 0.3);
XTrain = X(training(cv), :);
yTrain = y(training(cv), :);
XTest = X(test(cv), :);
yTest = y(test(cv), :);

Pas 3: Entrenament del Model

Mdl = fitcknn(XTrain, yTrain, 'NumNeighbors', 5);

Pas 4: Avaluació del Model

predictions = predict(Mdl, XTest);
confMat = confusionmat(yTest, predictions);
accuracy = sum(diag(confMat)) / sum(confMat(:));
disp(['Accuracy: ', num2str(accuracy)]);

Exercicis Pràctics

Exercici 1: Regressió Lineal

Importa un conjunt de dades de regressió.
Preprocessa les dades.
Entrena un model de regressió lineal.
Avalua el model utilitzant un conjunt de dades de prova.

Exercici 2: Clustering amb K-means

Importa un conjunt de dades sense etiquetes.
Aplica el clustering K-means.
Visualitza els resultats utilitzant un gràfic 2D.

Solucions

Solució Exercici 1

% Importació de dades
data = readtable('regression_data.csv');
X = data(:, 1:end-1);
y = data(:, end);

% Divisió de les dades
cv = cvpartition(size(data, 1), 'HoldOut', 0.3);
XTrain = X(training(cv), :);
yTrain = y(training(cv), :);
XTest = X(test(cv), :);
yTest = y(test(cv), :);

% Entrenament del model
model = fitlm(XTrain, yTrain);

% Avaluació del model
predictions = predict(model, XTest);
mse = mean((yTest - predictions).^2);
disp(['Mean Squared Error: ', num2str(mse)]);

Solució Exercici 2

% Importació de dades
data = readtable('clustering_data.csv');
X = data(:, :);

% Aplicació de K-means
[idx, C] = kmeans(X, 3);

% Visualització dels resultats
figure;
gscatter(X(:,1), X(:,2), idx);
hold on;
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3);
title('K-means Clustering');
hold off;

Conclusió

En aquesta secció, hem explorat els conceptes bàsics de l'aprenentatge automàtic amb MATLAB, incloent la preparació de dades, l'ús d'algorismes d'aprenentatge supervisat i no supervisat, i l'avaluació de models. Els exemples pràctics i exercicis proporcionats han de servir com a base per a desenvolupar habilitats més avançades en l'aprenentatge automàtic amb MATLAB.

Aprenentatge Automàtic amb MATLAB