在今日的帖子里,Neha高尔将会分享一个关于如何使用MATLAB和Simulink的概述金宝app在竞争中开发人工智能组件．Neha最近加入了这个团队，专注于深度学习和数据科学竞赛。也可以在这篇文章中找到Neha透露她目前正在做的项目的部分。

- - - - - -

不同应用领域的竞赛和学生正在将人工智能组件添加到他们的项目中。主要领域包括自动驾驶汽车竞赛、航空航天、机器人、数据科学等。参考链接在这里了解所有MathWorks的赞助商。

人工智能(AI)、机器学习(ML)和深度学习(DL)是目前最热门的话题之一。在这篇文章中，我们将给你一个高层次的概述，你如何根据你正在处理的数据类型在你的项目中实现这些。我们还将指导您学习如何在MATLAB中实现人工智能的资源。

来源:法律行政学院

技术和术语

理解深度学习及其工作原理的第一步是掌握重要术语之间的区别。

来源:人工智能、机器学习和深度学习的区别

人工智能——人类智能在计算机中的复制。

用人工智能这个词的创造者约翰·麦卡锡的话来说，“它是制造智能机器的科学和工程”。

人工智能的一个常见应用是搜索引擎算法。这是一种利用环境模型全面检查许多(甚至所有)可能结果的方法。不需要学习，因为你不需要任何经验/数据!

机器学习-指机器使用数据集而不是硬编码规则进行学习的能力。

机器学习允许计算机自己学习。这种类型的学习利用了现代计算机的处理能力，可以很容易地处理大数据集。

来源:Sebastian Raschka的Next-Gen Talk

无监督学习,使用没有指定结构的数据集进行机器学习的任务。

当使用无监督学习训练算法时，算法会自动分类。

无监督学习的一个例子是电子商务网站的行为预测人工智能。该算法不会通过使用带有标签的输入和输出数据集来学习。它会根据历史数据推荐相关项目。分组严格基于算法所学到的内容。

监督式学习-使用有输入和预期输出的标记数据集。

当您使用监督学习进行训练时，会预先为算法提供一个输入和一个预期输出。如果程序生成的输出是错误的，它将重新调整计算。这个过程在数据集上反复进行，直到算法得到优化。

有监督学习的一个例子是天气预测人工智能。它学会利用历史数据预测天气。这些训练数据有输入(湿度、风速、温度)和输出(下雨的几率)。

强化学习(RL)——机器学习的一个领域，涉及软件代理应该如何在环境中采取行动以实现最大化

它与监督学习的不同之处在于，有标记的输入/输出对不需要被提出，次最优行为不需要被明确地纠正。相反，重点是在探索(未知领域)和利用(现有知识)之间找到平衡，以尝试学习最佳行为。

来源:维基百科-强化学习

强化学习最好用上面的图表来解释。agent在环境中采取行动，环境被解释为奖励和状态的表示，并反馈给agent。

强化学习被用于运筹学、运筹学、控制理论、多智能体系统、信息论、博弈论、基于仿真的优化等等。

查看下面的链接，了解更多关于MATLAB强化学习工具箱和示例

• 强化学习工具箱
• Brian Douglas的强化学习技术讲座

深度学习-基于人工神经网络的机器学习子集。

神经网络可用于无监督、有监督或强化学习。例如，使用神经网络作为函数近似器的强化学习可以被称为“深度强化学习”

源: Dhanoop Karunakaram《深度学习入门》

“深”是一个专业术语。它指的是神经网络的层数。浅网络有一个隐藏层而深度网络则不止一个。多个隐藏层允许深度神经网络学习数据的特征功能层次结构，因为简单的特征(如两个像素)从一层重新组合到下一层，形成更复杂的特征(如一条线)。与只有几层的网络相比，有多层的网络通过更多的数学运算来传递输入数据(特征)，因此需要更多的计算密集型训练。

查看下面的链接，详细了解MATLAB深度学习能力，并开始学习深度学习课程。

• 深度学习工具箱
• 深度学习工具箱-示例
• 深度学习斜坡弯道- 2小时的入门课程，让你开始在MATLAB中的深度学习

人工智能的应用

图像分析

自动驾驶、机器人和航空航天比赛通常使用计算机视觉系统。这里我们给出了处理图像数据集的不同技术的概述。

所有这些竞赛所需的基本用例是对图像进行分类或检测程序以前从未见过的障碍。下面是用于解决这类问题的不同方法。

图像分类：这是一种算法查看整个图像并对其进行分类的技术。图像分类有着广泛的应用，从社交网络上的人脸检测到医学上的癌症检测。这类问题通常使用卷积神经网络(CNNs)建模。

目标检测和目标识别是识别目标的类似技术，但它们的执行方式不同。

• 对象检测是在图像中定位感兴趣的物体的过程。这允许在同一图像中识别和定位多个对象。请浏览连结，了解更多有关"在MATLAB中设计对象检测器”。
• 对象识别是分类和检测的结合。该物体被分类，也位于图像中。物体识别是无人驾驶汽车背后的一项关键技术，使它们能够识别停车标志或区分行人和灯柱。它在许多应用中也很有用，如生物成像中的疾病识别、工业检测和机器人视觉。

语义分割:它是一种深度学习算法，将标签或类别与图像中的每个像素关联起来。它用于识别形成不同类别的像素集合。例如，自动驾驶汽车需要识别车辆、行人、交通标志、人行道和其他道路特征。

音频和信号处理

音频＆信号处理是我们用深度神经网络解决实时信号数据集问题的另一个领域。我们可以使用深度学习方法的许多应用包括音频分类、节拍跟踪、音乐推荐、选择性噪声消除、语音处理等。

MathWorks甚至支持一些信号处理竞赛，例如金宝appAES学生竞赛:MATLAB插件，中国大学生电子设计大赛和信号处理杯

想要了解更多关于在MATLAB中使用深度学习的音频和信号处理，请查看这个链接:用于信号处理的深度学习

机器人技术与自主系统

机器人技术与人工智能或机器学习的强大结合，为全新的自动化可能性打开了大门。人工智能在机器人领域的范围包括:

• 愿景-人工智能正在帮助机器人检测从未见过的物品，更详细地识别物体，提取复杂的信息，以更好地了解周围环境。上面的图像分析部分讲述了这个过程中使用的详细技术。
• 把握-机器人也可以抓取他们从未见过的物品，人工智能和机器学习帮助他们确定最佳位置和方向来抓取物品。
• 运动控制-机器学习帮助机器人进行动态交互和避障，以保持生产率。
• 数据-人工智能和机器学习都可以帮助机器人理解物理和物流数据模式，并采取相应的行动。
• 语音识别-自然语言处理任务，包括文本到语音，语音标签，命名实体识别等，有助于改善机器人和人类(自然)语言之间的交互。

检查MATLAB & 金宝appSimulink Robotics Arena了解有关如何在项目中实现这些功能的更多信息。MathWorks支金宝app持许多使用人工智能的机器人比赛，例如“机器人足球世界杯”和RoboNation．

嗨，我是Neha

#Software #DeepLearning #DataScience #HardwareWorldNewbie #GetUpDressUpShowUp&NeverGiveUp

你在学生竞赛团队中扮演什么角色?你关注哪些比赛?

我是深度学习竞赛的技术负责人。我专注于发起新的数据科学MathWorks赞助的竞赛，并帮助参与其他竞赛的队友构建深度学习内容。

你目前在做什么大项目?

我今年的大项目是在数据科学竞赛中增加MATLAB的使用。为了做到这一点，我目前正在主持一个在线数据科学竞赛DrivenData平台。我正在做的另一个项目是构建深度学习内容，在那里我正在为对象检测创建一个视频系列。本系列将展示如何使用深度学习工具箱构建用于对象检测的神经网络，并使用代码生成进一步部署它。

关于学生竞争和职业道路，你会给学生什么建议?

学生竞赛提供了现实世界的经验——在压力下表现、团队合作和克服对失败的恐惧的机会。在我的硕士学位期间，我的团队获得了创业黑客马拉松的冠军，在短短48小时内创建了一家医疗初创公司，这不仅帮助我学习了技术方面的知识，还帮助我学习了一个行业的商业、营销和金融模式。这也给了我一个机会，通过分析我最喜欢的行业领域来决定我的职业道路。

你为什么喜欢在教育行业工作，喜欢与学生团队合作?

我喜欢学习新东西，了解最新的技术，并把它回馈给社区。从事教育工作有助于我追求所有这些兴趣。与未来的工程师一起工作时，我感到鼓舞和激励。

有趣的事实:

• 我在学校和大学里参加了地区级的射箭和篮球比赛
• 我喜欢买马克杯和鞋子(今天的计数估计每40+)
• 我只喜欢巧克力甜点;我最喜欢的是黑巧克力(100%黑的!!)