深度学习的学生竞争

저자Christoph哈恩,2019年5月29日

36회조회(최근30일)|0좋아요|0댓글

在今日的帖子里,Neha高尔将分享概述如何使用MATLAB和Simulink呢金宝app开发人工智能组件在你的比赛。Neha最近加入了团队,专注于深度学习和数据科学竞赛。还发现部分在这篇文章中,Neha她目前正在显示哪些项目。

- - - - - -

竞赛和学生在不同的应用领域是人工智能组件添加到他们的项目。主要领域包括自主车辆竞赛、航空航天、机器人、数据科学等。引用链接在这里了解所有比赛MathWorks赞助商。

人工智能(AI),机器学习(ML),和深度学习(DL)是现在最热门的话题。在本帖里,我们将给你一个高级的概述如何实现这些在您的项目根据你使用的数据类型。我们也将指导你学习资源如何在MATLAB中实现人工智能。

来源:法律行政学院

技术和术语

第一步深入学习和理解它是如何工作的是掌握重要术语之间的区别。

来源:区别人工智能、机器学习与深入学习

人工智能——复制人类智能的电脑。

用人工智能创造了这个词的人,约翰·麦卡锡”的科学和工程制造智能机器”。

一个共同的人工智能搜索引擎算法的应用。通过许多办法详尽检查(甚至是全部)使用环境的模型可能的结果。因为你没有学习组件不需要任何经验/数据做这个!

机器学习——指的是机器学习使用数据集的能力,而不是硬编码的规则。

机器学习可以让电脑自己学习。这种类型的学习利用现代计算机的处理能力,这可以很容易地处理大型数据集。

来源:塞巴斯蒂安Raschka下一代说话

无监督学习,机器学习的任务使用数据集,没有指定的结构。

当使用无监督学习训练算法,该算法将自动分类。

无监督学习的一个例子是一个电子商务的网站behavior-predicting AI。算法不会学习通过使用标签数据集的输入和输出。它将推荐相关项目基于历史数据。分组是严格基于算法已经学到了什么。

监督式学习——包括使用标签数据集,输入和期望输出。

当你使用监督学习训练,一个输入和一个预期的输出提供了算法提前。如果输出生成的程序是错误的,它会调整它的计算。这个过程是迭代完成的数据集,直到算法进行了优化。

监督学习是weather-predicting人工智能的一个例子。它学会了使用历史数据预测天气。训练数据已经输入(湿度、风速、温度)和输出(雨)的机会。

强化学习机器学习(RL)的关心软件代理应该采取行动在一个环境来最大化

它与监督学习的不同之处在于,标签输入/输出对不需要,和最优行动不需要显式地纠正。相反,重点是找到一个平衡探索未知领域的()和剥削(当前的知识)尝试学习最优行为。

来源:维基百科-强化学习

强化学习与上面的图是最好的解释。代理行为的环境,这是解释到的奖励和一个表示状态,反馈到代理。

强化学习用于运筹学、运筹学、控制理论、多智能系统、信息理论、博弈理论、基于仿真的优化等等。

看看下面的链接了解MATLAB工具箱强化学习和例子

深度学习——基于人工神经网络的机器学习的子集。

神经网络可用于无监督,监督、强化学习。例如,强化学习,使用神经网络作为函数近似者可以称为“深度强化学习

源:深度学习入门Dhanoop Karunakaram

“深”是一个技术术语。它指的是神经网络的层数。网络有一个浅隐藏层,深有多个网络。多个隐藏层允许深层神经网络学习特性的数据功能层次结构,因为简单的特性(如两个像素)重组从一层到另一个,形成更复杂的特性(例如一条线)。网络有许多层输入数据(特征)通过数学运算比网与几层,因此更多的计算量。

看看下面的链接,了解更多关于MATLAB详细深度学习的能力和开始使用深度学习课程。

深度学习工具箱
深度学习工具箱——的例子
深度学习斜坡弯道- 2小时匝道课程让你开始在MATLAB与深度学习

人工智能的应用

图像分析

自主驾驶,机器人和航空航天比赛经常使用一个计算机视觉系统。这里我们给的概述不同的技术在图像数据集。

基本用例需要在所有这些比赛是分类图像或检测程序障碍,从未见过的。下面是使用不同的方法来解决这种类型的问题。

图像分类:这是一个技术,一个算法着眼于整个形象和分类。图像分类有各种各样的应用程序,从人脸检测在社交网络上癌症医学检测。这样的问题通常是通过卷积神经网络(cnn)进行建模。

对象检测和目标识别识别对象的技术类似,但他们不同的执行。

对象检测定位的过程是一个感兴趣的对象在一个图像。这允许对多个对象被识别并位于相同的图像。查看链接了解更多关于“在MATLAB设计对象探测器”。
对象识别结合了分类和检测。对象分类,也位于一个图像。物体识别是无人驾驶汽车背后的一个关键技术,使他们认识到一个停车标志或区分行人路灯柱。也有用的各种应用,如疾病能识别,工业检测、机器人视觉。

语义分割:这是一个深学习算法,将一个标签或类别与每个像素在一个图像。它是用来识别的像素的集合形式截然不同的类别。例如,自主车辆需要识别车辆、行人、交通标志、人行道上,以及其他道路的功能。

音频与信号处理

音频&信号处理与我们合作的另一个领域深神经网络求解实时信号数据集的问题。许多应用程序,我们可以使用深度学习的方法包括音频分类、打跟踪,音乐推荐,有选择性的降噪、语音处理等。

甚至有一些信号处理竞赛等MathWorks支持金宝appAES学生竞争:MATLAB插件,中国研究生电子设计竞赛和信号处理杯

了解更多关于音频与信号处理中使用深度学习MATLAB查看这个链接:深入学习信号处理应用程序

机器人和自治系统

机器人和人工智能或机器学习的强大的组合是全新的自动化可能打开门。人工智能机器人的范围包括:

愿景——人工智能机器人正在帮助检测他们从未见过的商品,识别对象的更多详细信息和提取复杂的信息,以更好地理解他们周围的环境。以上部分的图像分析谈论详细的技术用于这一过程。
把握——机器人也抓住他们从未见过的物品与人工智能和机器学习帮助他们确定最佳位置和姿态把握对象。
运动控制——机器学习帮助与动态交互和避障机器人,保持生产力。
数据——人工智能和机器学习帮助机器人了解物理和后勤数据模式是积极主动并采取相应行动。
语音识别——自然语言处理任务,包括语音合成,语音标签、命名实体识别等有助于提高机器人和人类之间的相互作用(自然)的语言。

检查MATLAB和Si金宝appmulink仿真机器人领域想要了解更多关于如何实施这些项目。MathWorks支金宝app持许多使用人工智能的机器人竞赛等“机器人足球世界杯”和RoboNation。