Анализ данных в matlab · 4 План ведение в анализ данных...
TRANSCRIPT
1
Анализ данных в MATLAB
для пользователей Excel
2
Ключевые отрасли промышленности
Аэрокосмическая и оборонная пром - ть
Автомобильная отрасль
Биотехнологии и фармацевтика
Коммуникации
Образование
Электроника и полупроводники
Энергетика
Финансовые сервисы
Промышленная автоматизация
3
The MathWorks™ Family
MATLAB®
Simulink®Application
Development Tools
Toolboxes
Data Access Tools
Student Products
Stateflow®
Blocksets
Code Generation
Stand-Alone
Applications
Data
Sources
C Code
4
План
Введение в анализ данных
Анализ данных в MATLAB и Excel
Статистический анализ и алгоритмы
машинного обучения
Решение ресурсоемких задач, анализ
больших данных
Разработка приложений и надстроек к Excel
Заключение
5
Инструменты, используемые при
анализе данных
Таблицы
– Excel
Специализированные и узкоспециализированные инструменты
– Приложение обработки изображений
– Приложение распознавания речи
Языки общего назначения
– C, C++, FORTRAN
– Java, Visual Basic, C#
Языки технических вычислений
– MATLAB
6
Визуализация процесса анализа
данных
Анализ
for ( i = 0; i < xcount < ++i )
{ for ( j = 0; j < ycount; ++j, ++p )
{ *p = image[i][j] * 1.2;
}
}
Данные
54.54478997 52.38980281 51.63443453
51.81183991 50.64697035 50.11122399
61.86095567 60.58273586 61.27435412
61.40586691 60.98638795 60.69712015
59.49328778 58.99722501 58.65336696
58.64778457 58.04403852 57.43600642
58.77546367 57.40830460 57.21952379
58.73111556 58.10821166 57.76782024
59.40749506 59.26373066 59.19908794
53.98773719 53.32232202 53.11232752
52.09581504 51.93396240 52.39473525
55.71349383 55.14220626 54.70845073
55.01767533 54.17058514 54.40268562
55.59898094 54.03687710 53.82553052
7
Analysis
for ( i = 0; i < xcount < ++i )
{ for ( j = 0; j < ycount; ++j, ++p
)
{ *p = image[i][j] * 1.2;
}
}
Data
54.54478997 52.38980281 51.63443453
51.81183991 50.64697035 50.11122399
61.86095567 60.58273586 61.27435412
61.40586691 60.98638795 60.69712015
59.49328778 58.99722501 58.65336696
58.64778457 58.04403852 57.43600642
58.77546367 57.40830460 57.21952379
58.73111556 58.10821166 57.76782024
59.40749506 59.26373066 59.19908794
53.98773719 53.32232202 53.11232752
52.09581504 51.93396240 52.39473525
55.71349383 55.14220626 54.70845073
55.01767533 54.17058514 54.40268562
55.59898094 54.03687710 53.82553052
Что находится в центре внимания?
Анализ
for ( i = 0; i < xcount < ++i )
{ for ( j = 0; j < ycount; ++j, ++p )
{ *p = image[i][j] * 1.2;
}
}
Данные
54.54478997 52.38980281 51.63443453
51.81183991 50.64697035 50.11122399
61.86095567 60.58273586 61.27435412
61.40586691 60.98638795 60.69712015
59.49328778 58.99722501 58.65336696
58.64778457 58.04403852 57.43600642
58.77546367 57.40830460 57.21952379
58.73111556 58.10821166 57.76782024
59.40749506 59.26373066 59.19908794
53.98773719 53.32232202 53.11232752
52.09581504 51.93396240 52.39473525
55.71349383 55.14220626 54.70845073
55.01767533 54.17058514 54.40268562
55.59898094 54.03687710 53.82553052
8
Что находится в центре внимания?
Данные
54.54478997 52.38980281 51.63443453
51.81183991 50.64697035 50.11122399
61.86095567 60.58273586 61.27435412
61.40586691 60.98638795 60.69712015
59.49328778 58.99722501 58.65336696
58.64778457 58.04403852 57.43600642
58.77546367 57.40830460 57.21952379
58.73111556 58.10821166 57.76782024
59.40749506 59.26373066 59.19908794
53.98773719 53.32232202 53.11232752
52.09581504 51.93396240 52.39473525
55.71349383 55.14220626 54.70845073
55.01767533 54.17058514 54.40268562
55.59898094 54.03687710 53.82553052
Анализ
for ( i = 0; i < xcount < ++i )
{ for ( j = 0; j < ycount; ++j, ++p )
{ *p = image[i][j] * 1.2;
}
}
9
Подходы с Excel иMATLAB
Excel MATLAB
10
Использование MATLAB с Excel
Из MATLAB
– Чтение или запись данных Excel
Из Excel
– Вызов MATLAB команд из
ячеек или скрипта Visual Basic
11
Задачи анализа данных
Reporting and
Documentation
Outputs for Design
Deployment
Передача
резульатов
Исследование и
Разработка
Data Analysis
& Modeling
Algorithm
Development
Application
Development
Files
Software
Hardware
Доступ к
данным
Code & Applications
Automate
12
План
Введение в анализ данных
Анализ данных в MATLAB и Excel
Статистический анализ и алгоритмы
машинного обучения
Решение ресурсоемких задач, анализ
больших данных
Разработка приложений и надстроек к Excel
Заключение
13
Модель глобального солнечного
излучения
𝑅𝑠 = 𝑎 (1 + 𝑏𝐻)(1 − 𝑒−𝑐 ∆𝑇𝑛)
внеатмосферное
излучение
общее
глобальное
излучение
Solar Ratio (Rs)
=Глобальное солнечное излучение
Внеатмосферное солнечное излучение
Ежедневная разность температур(∆𝐓) = TDailyMax –
TDailyMin
H -относительная влажность
a,b,c,n коэффициенты модели
14
Demo: Оценка солнечного излучения
Цель:
– Оценить среднесуточное
солнечное излучение
Подход:
– Получение исторических измерений
– Разработка предсказательной модели
– Документация анализа в отчете
– Расширение анализа на множество файлов
15
Задачи анализа данных
Reporting and
Documentation
Outputs for Design
Deployment
ShareExplore & Discover
Data Analysis
& Modeling
Algorithm
Development
Application
Development
Files
Software
Hardware
Access
Code & Applications
Automate
16
Explore & Discover
MATLAB – Платформа для анализа данных
Reporting and
Documentation
Outputs for Design
Deployment
Share
Data Analysis
& Modeling
Algorithm
Development
Application
Development
Files
Software
Hardware
Access
Code & Applications
Automate
17
Explore & Discover
Demo: Оценка солнечного
излучения
Reporting and
Documentation
Outputs for Design
Deployment
Share
Data Analysis
& Modeling
Files
Software
Hardware
Access
Code & Applications
Automate
Algorithm
Development
Application
Development
Products Used MATLAB
Spreadsheet Link EX
Statistics Toolbox
Curve Fitting Toolbox
18
Доступ к данным из MATLAB
Файлы
– Excel, текстовые, бинарные
– Мультимедиа, научные
– Web, XML
Приложения и языки
– C/C++, Java, FORTRAN
– COM, .NET, общая библиотека
– Databases
Оборудование
– Сбор данных с приборов для
сигналов и изображений
– Автономные приборы и устройства
Исследование и разработка Передача результатовДоступ
19
Анализ данных и визуализация в
MATLAB
Анализ данных
– Манипулирование, предварительная
обработки и управление данными
– Быстрые, точный анализ с встроенными
математическими и инженерными
функциями
Визуализация
– Встроенные графические функции для
инженеров и научных работников
(2D, 3D, VolViz)
– Интерактивные инструменты,
аннотации, пользовательская
настройка графиков
Исследование и разработка Передача результатовДоступ
20
Расширение возможностей MATLAB
MathWorks встроенные инструменты:
– Статистика и сглаживание данных
– Обработка сигнала и изображений
– Система идентификации и анализ
систем управления
– Нейронные сети и нечеткая логика
– Оптимизация
Партнерские продукты для:
– Дополнительные интерфейсы
– Предметно – ориентированные анализ
– Узкоспециализированные приложения
Разработка и исследования Передача результатовДоступ
21
Передача данных из MATLAB
Автоматическая генерация
структурированных отчетов
– Публикация MATLAB файлов
– MATLAB Report Generator
Передача результатов для
дальнейшей разработки
Развертывание приложений
в другие среды
Исследование и разработка Передача результатовДоступ
22
План
Введение в анализ данных
Анализ данных в MATLAB и Excel
Статистический анализ и алгоритмы
машинного обучения
Решение ресурсоемких задач, анализ
больших данных
Разработка приложений и надстроек к Excel
Заключение
23
Машинное обучениеОсновные понятия
Первый шаг – начальное множество данных
“Обучение” по этим данным
– “Обучение” вашего алгоритма
с этими данными
Использование полученной
модели для предсказания
новых наборов данных
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Group1
Group2
Group3
Group4
Group5
Group6
Group7
Group8
24
Машинное обучениеХарактеристики и примеры
Характеристики
– Много данных (много переменных)
– Система слишком сложна, чтобы
знать основное уравнение(например, моделирование черного ящика)
Примеры
– Распознавание образов (речь, изображения)
– Финансовые алгоритмы (оценка заемщиков,
алгоритмический трейдинг)
– Прогнозирование потребления
электроэнергии (нагрузка, цена)
– Биология (обнаружение опухоли, исследование лекарственных
препаратов)
93.68%
2.44%
0.14%
0.03%
0.03%
0.00%
0.00%
0.00%
5.55%
92.60%
4.18%
0.23%
0.12%
0.00%
0.00%
0.00%
0.59%
4.03%
91.02%
7.49%
0.73%
0.11%
0.00%
0.00%
0.18%
0.73%
3.90%
87.86%
8.27%
0.82%
0.37%
0.00%
0.00%
0.15%
0.60%
3.78%
86.74%
9.64%
1.84%
0.00%
0.00%
0.00%
0.08%
0.39%
3.28%
85.37%
6.24%
0.00%
0.00%
0.00%
0.00%
0.06%
0.18%
2.41%
81.88%
0.00%
0.00%
0.06%
0.08%
0.16%
0.64%
1.64%
9.67%
100.00%
AAA AA A BBB BB B CCC D
AAA
AA
A
BBB
BB
B
CCC
D
25
Модель процесса развития
Исследование Моделирование Оценка Развертывание
26
Разведывательный анализ данных
Получение представление от визуального
просмотра
– Выявление трендов и взаимодействий
– Определение паттернов
– Удаление выбросов
– Уменьшение данных
– Выбор и уменьшение
количества предикторов
– Функция преобразованияMPG Acceleration Displacement Weight Horsepow er
MP
GA
ccele
ratio
nD
ispla
cem
ent
Weig
ht
Hors
epow
er
50 1001502002000 4000200 40010 2020 40
50
100
150
200
2000
4000
200
400
10
20
20
40
27
Исследование данныхВзаимодействия между переменными
Взаимодействия между переменными Параллельные координаты График Эндрю
График символов Лица Чернова
MPG Acceleration Displacement Weight Horsepow er
MP
GA
ccele
ratio
nD
ispla
cem
ent
Weig
ht
Hors
epow
er
50 1001502002000 4000200 40010 2020 40
50
100
150
200
2000
4000
200
400
10
20
20
40
MPG Acceleration Displacement Weight Horsepower-3
-2
-1
0
1
2
3
4
Coord
inate
Valu
e
4
6
8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-8
-6
-4
-2
0
2
4
6
8
t
f(t)
4
6
8
chevrolet chevelle malibu buick skylark 320 plymouth satellite
amc rebel sst ford torino ford galaxie 500
chevrolet impala plymouth fury iii pontiac catalina
chevrolet chevelle malibubuick skylark 320 plymouth satellite
amc rebel sst ford torino ford galaxie 500
chevrolet impala plymouth fury iii pontiac catalina
28
Обзор машинного обученияВиды обучения, категории алгоритмов
Машинное
обучение
Обучение с
учителем
Классификация
Регрессия
Обучение без
учителяКластеризация
Группировка и интерпретация данных
основана только на основе входных данных
Разработка модели основанной на обоих
подходах
Виды обучения Категории алгоритмов
29
Неконтролируемое обучениеКластеризация
Обучение с
учителем
Обучение без
учителяКластеризация
Группировка и интерпретация данных
основана только на основе входных данных
Машинное
обучение
K-средних,
Fuzzy c-means
Иерархическая
Нейронные
сети
Гауссовы
смеси
Классификация
Регрессия
30
КластеризацияОбзор
Что такое кластеризация?
– Данные сегментируются в
группы, на основе сходства
Зачем использовать кластеризацию?
– Определение выбросов
– В результате, группы могут быть
предметом интереса
Как сделать кластеризацию?
– Кластеризация может быть достигнута различными алгоритмами
– Это итеративный процесс (включая пробы и ошибки)
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
31
Данные, которые мы будем
использовать
Облако случайно сгенерированных точек
– Каждый центр кластера случайным образом выбирается внутри указанных границ
– Каждый кластер содержитуказанное количество точек
– Каждая точка кластераполучена по нормальномураспределению
Многомерный набор данных
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Group1
Group2
Group3
Group4
Group5
Group6
Group7
Group8
32
Пример кластерного анализаK-Means
K-means – это метод разбиения
Данные разделяются на k взаимоисключающих
кластеров
Каждый кластер имеет
центроид (или центр)
– Сумма расстояний от всех
объектов до центра
минимизируется
Statistics Toolbox
33
Кластерный анализ K-средних – как
он работает?
Случайный выбор K
центров кластера
Назначение точек,
ближайших к центроиду
Перерасчет позиции
центроидов в кластере
Переназначение точек до
ближайшего центроида
Перерасчет позиции
центроидов в кластере
Итерации повторяются до тех пор,
пока центроиды не сойдутся
………
34
Метрика расстояния и качество
группы Выбор меры расстояния
Множество встроенных
метрик или определение
своих собственных
>> doc pdist
>> distances = pdist(data,metric); %pdist =
pairwise distances
>> squareform(distances)
>> kmeans(data,k,’distance’,’cityblock’)
%not all metrics supported
Создание silhouette (силуэт)
графика
>> silhouette(data,clusters)
Евклидово
расстояние по
умолчанию
Cityblock расстояние
Полезно для дискретных
переменных
Косинусоидальное расстояние
Полезно для кластеризации
переменных
35
Иерархический кластерный анализ
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Cut-off = 0.1
36
Кластерный анализ Fuzzy c-means
(метод нечеткой кластеризации с-
средних) – как он работает?
Очень похож на K-means
Точки не назначаются окончательно в
кластер, но есть «членство» - значение по
отношению к каждому кластеру Необходим Fuzzy Logic Toolbox™
Запуск алгоритма fuzzy K-mean для
K кластеров>> [centroids, memberships]=fcm(x,K);
37
Модель смеси нормальных
распределений
Хорошо, когда кластеры имеют различные
размеры и коррелируются
Предположим, что данные созданы
с фиксированным количеством
точек K по нормальному
распределению
0
0.2
0.4
0.6
0.8
1
0
0.2
0.4
0.6
0.8
1
0
10
20
Statistics Toolbox
38
КластеризацияНейронные сети
Сети состоят из одного или более слоев
Выходы рассчитываются применяя
нелинейную передаточную
функцию со взвешенной
суммой входов
Обучение позволяет сети постоянно
приспосабливаться к новым входным данным(определяя весовые коэффициенты)
Зависимая переменная
Передаточнаяфункция
Веса
Смещение
Входныепеременные
39
КластеризацияНейронные сети
Neural Network Toolbox имеет
интерактивный интерфейс с
которым легко создаются и
обучаются нейронные сети
Многослойные сети
созданные каскадами(обеспечивают лучшую точность)
Пример архитектуры для кластеризации:
– Самоорганизующаяся карта Кохонена
– Конкурентные слои
Neural Network Toolbox
40
Самоорганизующаяся карта КохоненаКак это работает
Начните с регулярной сетки
‘нейронов’ лежащих на множестве
данных
Размер сетки определяется
количеством кластеров
Нейроны соревнуются узнать
данные точки (будучи рядом с ними)
Победные нейроны перемещаются
ближе к точкам данных
Повторять до сходимости
-0.5 0 0.5 1-0.2
0
0.2
0.4
0.6
0.8
1
1.2SOM Weight Positions
Weight 1
Weig
ht
2
-0.2 0 0.2 0.4 0.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1SOM Weight Positions
Weight 1
Weig
ht
2
41
Кластерный анализзаключение
Данные сегментируются в группы на основе сходства
Ни один метод не совершенен(зависит от данных)
Процесс итеративный;исследуются различные алгоритмы
Остерегайтесь локальных минимумов(глобальная оптимизация может быть полезна)
Кластеризация
K-средних,
Fuzzy С-means
Иерархическая
Нейронные
сети
Гауссовы
смеси
42
Процесс разработки модели
Исследование Моделирование Оценка Развертывание
43
Обучение с учителемКлассификация для прогнозного моделирования
Обучение без
учителя
Разработка предсказывающей
модели основанной на входных и
выходных данных
Машинное
обучение
Обучение с
учителем
Дерево
решений
Ансамбль
кластеризаторов
Нейронные
сети
Метод
опорных
векторов
Классификация
44
КлассификацияОбзор
Что такое классификация?
– Прогнозируется лучшая группа для
каждой точки
– “Обучение” по отмеченным наблюдениям
– Использование функции ввода
Зачем использовать классификацию?
– Точная группировка данных, которые вы не видели до этого
Как выполнить классификацию?
– Возможно использовать несколько алгоритмов для построения
предсказывающей модели
– Хорошие данные для обучения являются критическими
-0.1 0 0.1 0.2 0.3 0.4 0.5 0.60
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Group1
Group2
Group3
Group4
Group5
Group6
Group7
Group8
45
Дискриминантный анализ Подбор многомерной нормальной плотности для
каждого класса– linear — Подбор многомерной нормальной плотности для каждой
группы с суммарной оценкой ковариации. Эта процедура
происходит по умолчанию.
– diaglinear — Как и в линейной, но с диагональной оценкой
ковариационной матрицы (наивный байесовский классификатор).
– quadratic — Подбор многомерной нормальной плотности с
ковариационной оценкой с разбивкой по группам.
– diagquadratic — Аналогично квадратичной, но с диагональной
оценкой ковариационной матрицы (наивный байесовский
классификатор).
Оценка каждой новой точки путем оценки ее
вероятности для каждой функции плотности, и
классификации так, чтобы она имела наибольшую
вероятность
46
Классификация K-ближайших соседей
Один из наиболее простых классификаторов
Принимает K ближайших точек
из обучающего множества и
выбирает наилучший класс для
этих K точек
Без этапа обучения вся работа
не будет сделана во время
применения модели
-0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6-0.5
0
0.5
1
1.5
x1
x2
group1
group2
group3
group4
group5
group6
group7
group8
Statistics Toolbox
47
Пример классификацииДерево решений
Построение дерева из
обучающих данных
– Модель представляет собой
дерево, где каждый узел
является тестом предиктора
Перемещение по дереву
идет с помощью сравнения
характеристик с пороговым
значением
“Лист” дерева назначается
определенной группе
Statistics Toolbox
48
Ensemble LearnersОбзор
Деревья решений “слабо” обучаемы
– Метод хорош для работы с данными на
которых он обучался
– Часто, не очень хорош с новыми данными
– Обратите внимание на прямоугольные
группы
Принцип работы
– Объединяет многие деревья, чтобы создать
“сильного” ученика
– Использует “bootstrapped aggregation”
Почему используется ансамбль методов?
– Классификатор имеет лучшую
предсказательную силу
– Обратите внимание на улучшение формы
кластера
Statistics Toolbox
-0.4 -0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6-0.5
0
0.5
1
1.5
x1
x2
group1
group2
group3
group4
group5
group6
group7
group8
49
Распознавание образов нейронной
сетью
Двуслойные (т.е. один слой скрыт)
нейронные сети могут обучаться на любом
соотношении входа – выхода имея
достаточное количество нейронов в скрытом
слое.
Нет ограничений на предикторы
50
Метод опорных векторовОбзор
Хорош для моделирования сложных
границ между группами
– Может быть очень точным
– Нет ограничений на предикторы
Что делает метод?
– Использует нелинейное “ядро” для
вычисления границ
– Может обрабатывать большие объемы данных
Statistics Toolbox
-3 -2 -1 0 1 2 3-2
-1
0
1
2
3
4
1
2
Support Vectors
51
Оценка моделей классификации Три основных стратегии
– Повторная подстановка – тест модели на тех же
данных, на которых она обучалась
– Перекрестная проверка
– Контрольные испытания на совершенно новом
наборе данных
Использование перекрестной проверки для оценки параметров
модели, таких как количество листьев деревьев или количество
скрытых нейронов. Требует Statistics Toolbox
Применение перекрестной проверки для модели классификации>> cp = cvpartition(y,'k',10);
>> ldaFun= @(xtrain,ytrain,xtest)(classify(xtest,xtrain,ytrain));
>> ldaCVErr = crossval('mcr',x,y,'predfun',ldaFun,'partition',cp)
52
КлассификацияЗаключение
Нет абсолютно лучшего метода
Простой не значит
неэффективный
Переобучение (чрезмерно близкая подгонка)
– Деревья решений и нейронные сети могут создавать
чрезмерно близкую подгонку шума
– Использование ансамбля методов и перекрестной проверки
Распараллеливание для ускорения работы
алгоритмов
Дерево
решений
Метод
ансамблей
Нейронные
сети
Метод
опорных
векторов
Классификация
53
Обучение с учителемРегрессия или предсказательное моделирование
Обучение без
учителя
Разработка модели основанная на
входных и выходных данных
Машинное
обучение
Обучение с
учителем
Линейная
Нелинейная
Непараметрическая
Регрессия
54
Регрессия
Почему используется регрессия?
– Предиктор является непрерывной
функцией измерений
Предсказательное моделирование
– Создание модели, которая
описывает Y как функцию X
– Оценка коэффициентов, которые
минимизируют разницу между
предикторам и реальными данными
Можно применять техники, которые были
раннее представлены (например, нейронные сети)
Statistics Toolbox
Curve Fitting Toolbox
55
Машинное обучение с MATLAB
Интерактивная среда– Визуальная среда для исследовательского анализа данных
– Простая среда для оценки и выбора наилучшего алгоритма
– Интерактивные инструменты помогут легко начать работу(например, neural network tool, curve fitting tool)
Множество алгоритмов для
– Кластеризации
– Классификации
– Регрессии
56
План
Введение в анализ данных
Анализ данных в MATLAB и Excel
Статистический анализ и алгоритмы
машинного обучения
Решение ресурсоемких задач, анализ
больших данных
Разработка приложений и надстроек к Excel
Заключение
57
Explore & Discover
Демо: Оценка солнечного излучения
Reporting and
Documentation
Outputs for Design
Deployment
Share
Data Analysis
& Modeling
Files
Software
Hardware
Access
Code & Applications
Automate
Algorithm
Development
Application
Development
Products Used MATLAB
Statistics Toolbox
Curve Fitting Toolbox
MATLAB Compiler
58
Parallel Computing позволяет
инженерам …
Larger Compute Pool Larger Memory Pool
11 26 41
12 27 42
13 28 43
14 29 44
15 30 45
16 31 46
17 32 47
17 33 48
19 34 49
20 35 50
21 36 51
22 37 52
Увеличить скорость вычислений Работать с большими объемами данных
59
План
Введение в анализ данных
Анализ данных в MATLAB и Excel
Разработка и развертывание приложений
анализа данных в MATLAB
Обработка больших массивов данных
Заключение
60
Explore & Discover
MATLAB – A Platform for Data Analysis
Reporting and
Documentation
Outputs for Design
Deployment
Share
Data Analysis
& Modeling
Algorithm
Development
Application
Development
Files
Software
Hardware
Access
Code & Applications
Automate
61
Использование MATLAB сExcel
Передача данных между MATLAB и Excel
– MATLAB
Доступ к MATLAB из таблицы
Excel
– MATLAB
– Spreadsheet Link EX
Развертывание MATLAB как
встроенная функция в Excel
– MATLAB
– MATLAB Compiler
– MATLAB Builder EX
62
Использование MATLAB с ExcelОбмен данными между MATLAB и Excel
MATLAB команды для записи и чтения
файлов Excel
Вырезать и вставлять между MATLAB и Excel
Products Used
MATLAB
63
Использование MATLAB и ExcelДоступ к MATLAB из таблицы Excel
Spreadsheet Link EX
– Обеспечена функциями соединяющими
Excel и MATLAB
– Соединение “живое” –
не требует никаких промежуточных
файлов или межпроцессорного
программирования
Использование Spreadsheet Link EX:
– Передачи данных и команд в MATLAB
– Получить данные и результаты обратно
в Excel
Products Used
MATLAB
Spreadsheet Link EX
64
Products Used
MATLAB
MATLAB Compiler
MATLAB Builder EX
Использование MATLAB и ExcelИспользование MATLAB как надстройка к Excel
Преобразование MATLAB алгоритмов в
Excel надстройки через легкий в
использовании графический интерфейс
Автоматическое создание DLL и
приложения Visual Basic, которые могут
быть импортированы в Excel
Создание встроенных функций, которые
могут работать на 95% быстрее, чем те,
которые создаются с Visual Basic
MATLAB не требуется для использования
надстроек, но требуется для их создания
65
Контактная информация департамента
Mathworks
Softline: www.matlab.ru
matlab.exponenta.ru
The Mathworks: www.mathworks.com
E-mail: [email protected]
Phone: +7 (495) 232 00 23 доб. 0609
66