数据驱动的应用程序无处不在（市场分析、农业、医疗保健、交通网络，……），并且已经开发出机器学习算法，其特定目的是分析模式和利用现实世界测量中的相关性，以便将数据转化为应用程序. Wolfram 语言提供完全自动化和高度可定制的机器学习函数来执行分类、回归、聚类和许多其他操作. 经典方法辅以强大的符号深度学习框架和用于图像、视频、文本和音频等多种数据类型的专用管道.

监督机器学习 »

Predict — 根据数据预测值

Classify — 将数据分类

ActivePrediction  ▪  SequencePredict  ▪  Nearest  ▪  FindFit  ▪  ...

未监督机器学习 »

FindClusters — 将数据分成聚类

FeatureExtraction — 找到如何从数据中提取特征

FeatureSpacePlot — 在降维特征空间中可视化数据

FeatureImpactPlot — 可视化输入特征对模型结果的影响

AnomalyDetection  ▪  DimensionReduction  ▪  MissingValueSynthesis  ▪  ...

LLM 功能 »

LLMFunction — 表示大语言模型提示语的模板

LLMSynthesize — 根据指示生成文字

ImageSynthesize — 根据文字提示生成图像

ChatObject  ▪  LLMPrompt  ▪  LLMTool  ▪  LLMConfiguration  ▪  ...

神经网络 »

NetModel — 访问 Wolfram 神经网络存储库中经过训练和未经训练的模型

NetTrain — 利用 CPU、GPU 等来训练神经网络

NetGraph  ▪  LinearLayer  ▪  ConvolutionLayer  ▪  AttentionLayer  ▪  ...

计算机视觉 »

ImageIdentify — 识别图像中的对象

ImageCases  ▪  FindFaces  ▪  TextRecognize  ▪  ImageGraphics  ▪  ...

自然语言处理 »

TextSummarize — 自动产生不同类型的总结

LanguageIdentify  ▪  TextStructure  ▪  TextCases  ▪  ...

语音计算 »

SpeechRecognize — 语音到文本

AudioIdentify  ▪  SpeechCases  ▪  SpeakerMatchQ  ▪  PitchRecognize