为matlab准备好ai
ai到处都是。它不仅仅是智能助理，机器翻译和自动驾驶等供电应用，它还为工程师和科学家提供了一套以新的方式解决共同任务的技术。然而，根据近期估计，虽然许多组织认识到AI的价值和潜力，但很少有利用IT-Gartner最近对3,000家公司进行调查，该调查表明，50％开始计划AI，实际上只有4％实施它。1
许多组织被他们认为是实现AI的压倒性挑战：
- 信仰是为了做到，你需要成为数据科学的专家
- 担心开发AI系统是耗时和昂贵的
- 缺乏获得良好质量，标记数据
- 将AI集成到现有算法和系统中的成本和复杂性
三个现实世界的例子将显示MATLAB如何®使AI易于开始。Matlab提供类似于Caffe和Tensorflow等专用AI工具的AI功能 - 更重要的是，只有MATLAB才能将AI集成到完整的工作流程中，以开发完全工程系统。
AI模型只是开发完全工程系统的完整工作流程的一部分。
什么是ai，它是怎么做的？
在20世纪50年代创造的AI的定义是“用于模仿智能人类行为的机器的能力”。当机器无法才能模仿，但匹配或甚至超过人类性能时，AI变得更加有趣 - 它使我们有机会卸载重复的任务，甚至可以让计算机更安全有效地进行工作。
实际上是说，当人们今天想到AI时，他们几乎总是意味着机器学习：培训机器以学习所需的行为。
在传统的编程中，您可以编写一个程序处理数据以产生所需的输出。
通过机器学习，步骤颠倒：您在数据中源以及所需的输出，计算机为您写入程序。机器学习程序（或更准确，楷模）很大程度上是黑匣子。它们可以生成所需的输出，但它们不是由传统程序或算法等一系列操作组成。
今天有很多兴奋，关于一种专门的机器学习深度学习。深度学习使用神经网络。（术语“深度”是指网络中的层数 - 越多，网络更深层次。）深度学习的一个关键优势在于它消除了对其他人需要手动数据处理步骤和广泛的域知识的需求技巧。
要将关键术语放入上下文中，将机器学习和深度学习作为实现AI的方式 - 它们是今天应用的最常用技术。
我们的第一个例子显示了科学家如何学习和应用机器学习与Matlab来解决一个问题，即她无法以任何其他方式解决。
使用机器学习检测零食食品脆弱
Solange Sanahuja是一种食品科学家，需要开发一种确定零食食品脆弱的可重复过程。她试图开发出零食的物理模型，但这并不起。其他科学家使用了信号处理来分析嘎吱嘎吱的零食的声音，但没有人可以制定一个可以检测到完全清新和略微陈旧之间的差异的过程。
Sanahuja博士看到Matlab支持机器学习，并决定试金宝app一试。她遇到了数百个实验，以记录在不同的新鲜度水平下粉碎小吃的声音和力量，并通过培训的味道记录了新鲜评级。
她使用域名专业知识作为食品科学家来识别力量测量的特征，计算价值，如硬度和虚线。然后，她尝试了几种不同的方法来提取信息录音的其他功能，最终发现八度分析最佳。
下一步是她的新手：基于所选功能开发模型。找到正确的模型可能很困难，因为有很多选择。Sanahuja博士而不是手动尝试每个选项，而是在统计和机器学习工具箱™中使用分类学习者应用程序，以自动尝试每种可能的型号。
她首先选择了培训模型的数据。然后，使用MATLAB培训所有可能的模型 - MATLAB生成的模型列表，培训了每个型号，并产生了显示其整体精度的可视化。
基于这些结果，Sanahuja博士选择了一个二次支持向量机作为项目的最佳模型。金宝app该模型精确约为90-95％，甚至能够检测到我们如何感染脆弱的情况。
在下一个例子中，工程师使用深度学习来解决复杂的图像识别问题。从划痕训练深度学习网络需要很多数据。但通过使用转移学习，这些工程师即使使用适度的数据也能够应用深度学习。
高效隧道挖掘，深入学习
日本建筑公司Obayashi Corporation采用销售技术称为新奥地利隧道方法。在这种方法中，地质学家监测隧道面的强度随着挖掘进展，评估裂缝之间的间距等度量。虽然该方法降低了施工成本，但它有几个限制。它可能需要数小时才能分析一个网站，因此只能偶尔进行分析。此外，这种技术的地质学家缺乏缺乏。
Obayashi决定通过深入学习解决这些限制 - 他们会训练深度学习网络，以根据隧道面的图像自动识别各种指标。他们的挑战是获得足够的数据。最好的深度学习网络已经训练有数百万图像，但Obayashi只有70岁。
Obayashi地质学家首先标记了70个图像中的每一个的三个区域，记录了每一个耐候变化和裂缝状态等度量的值。然后它们将这些标记的区域划分为较小的图像，最终产生约3,000个标记的图像。自从划痕训练深度学习网络需要大量的时间，专业专业知识，以及多次图像，他们使用转移学习基于亚历克特的自定义网络，是一个预先接受过的深度学习网络。
AlexNet在字面上培训了数百万图像，以识别食物，家庭和动物等常见物体，而是当然，它对从隧道面的图片解释地质条件的任何东西都不了解。随着转移学习，Obayashi工程师仅验证了一小部分AlexNet，估计了基于隧道面的图像的地质测量。
转移学习工作流程。
到目前为止，Obayashi的棘手网络已经实现了预测准确性接近90％的耐候变化和断裂状态。
将AI集成到完整的工程系统中
我们已经看到，使用MATLAB，即使您没有经验和少数数据，您也可以创建和培训机器学习模型或深度学习网络。但是，当然，工作没有结束那里。在大多数情况下，您将希望将您的模型集成到更大的系统中。
我们的最终示例将所有要构建AI系统所需的元素汇集在一起并将其集成到生产系统中。
自动化农业收割机灌装运营
案例新的荷兰大规模的FR9000系列牧草收割机能够在每小时300多吨以上超过300吨的吞吐量收获玉米，草和其他作物，同时将作物切割成4mm。除了转向和保持最佳速度之外，收割机运营商必须将作物流入拖车并监控其填充水平。重点关注驾驶和填补任务的同时使得一个复杂的工作更加困难。
他们无法在实验室中复制复杂的操作条件，而收获季太短暂，无法在该领域进行广泛的原型。相反，它们将AI算法导入其Simulink系统模型，并使用3D场景模拟器模拟现场条件的桌面上执行闭环模拟金宝app。
一种简化的荷兰仿真框架的视图。
仿真结果。左：收割机繁荣和拖车。右上角：相机输出。
右下方：距离和填充水平。
一旦使用桌面模拟测试了功能，它们将笔记本电脑与计算机视觉进行控制，并将方法控制到工作收割机中，实时微调AI算法，基于操作员反馈。
它们从控制器模型生成生产C代码并将其部署到ARM®9处理器，运行收割机的显示面板软件。
运营商报告系统在笔记本电脑上运行时执行的系统。新款Holland Intellifill™系统现已在FR9000系列牧草收割机上生产。
概括
使用Matlab，即使您没有机器学习的经验，您也可以为AI做好准备。您可以使用应用程序快速尝试不同的方法，并应用您的域专业知识以准备数据。
如果识别数据中的功能是不可行的，您可以使用深度学习，该学习将为您标识为培训过程的一部分。深度学习需要大量数据，但您可以使用传输学习来扩展现有网络以与您拥有的数据一起使用。
最后，您可以将模型部署为嵌入式设备上的完整AI系统的一部分。
