准备好了AI与MATLAB
人工智能无处不在。它不仅为智能助手、机器翻译和自动驾驶等应用提供动力，还为工程师和科学家提供了一套以新方式处理常见任务的技术。然而，根据最近的估计，虽然许多组织认识到人工智能的价值和潜力，但很少有人在使用它。gartner最近对3,000家公司的调查表明，在50%开始计划人工智能的公司中，只有4%已经实际实施了。1
许多组织都通过他们所看到的实施AI压倒性的挑战吓倒：
- 相信做AI，你需要在数据科学方面的专家
- 值得关注的是开发一个AI系统是费时和昂贵
- 无法获得高质量的标记数据
- 将人工智能集成到现有算法和系统的成本和复杂性
三真实世界的例子将展示如何MATLAB®让您轻松上手AI。MATLAB提供了类似于那些专用的AI工具，如来自Caffe和AI功能TensorFlow，更重要的是，只有MATLAB让你融入到AI开发一个完全工程系统的完整的工作流程。
人工智能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，它是如何做的？
AI的定义在20世纪50年代创造的，仍在使用的“模仿人类的智能行为机器的能力。”AI变得更有趣，当机器不能只是模仿，但比赛甚至超过人的表现，它使我们有机会卸载重复任务，甚至可以让计算机做的工作更安全，效率比我们能做到。
实事求是地讲，当人们认为今天的AI，他们几乎总是意味着机器学习训练机器学习一种期望的行为。
在传统的编程中，您需要编写一个程序来处理数据以生成所需的输出。
随着机器学习，步骤倒过来：你在数据和所需的输出饲料，计算机为你写的程序。机器学习程序（或者更准确地说，楷模）在很大程度上是黑盒子。他们可以产生所需的输出，但它们不是由像传统的程序或算法的操作顺序的。
还有今天热闹了许多关于所谓的机器学习的一种特殊类型深度学习。深度学习使用神经网络。(术语“深度”指的是网络中的层数——层数越多，网络就越深。)深度学习的一个关键优势是，它消除了手工数据处理步骤和其他技术所需的广泛领域知识的需要。
为了把钥匙字词背景下，认为机器学习和深入学习作为实现途径AI-他们是最常见的技术应用的今天。
我们的第一个例子展示了一位科学家如何使用MATLAB学习和应用机器学习来解决她无法用任何其他方法解决的问题。
使用机器学习来检测休闲食品松脆
索朗Sanahuja，食品科学家，需要开发一个可重复的流程来确定的零食松脆。她试图开发小吃物理模型，但没有奏效。其他科学家曾用信号处理来分析运算小吃的声音，但没有人可以开发一个过程，可以发现完全新鲜和陈旧略有差异。
Sanahuja博士发现MATLAB支持机器学习，于是决定金宝app试一试。她进行了数百次实验，以记录不同新鲜度下压碎零食的声音和力度，并由受过训练的品尝者记录新鲜度评分。
她用自己的专业领域知识作为食品科学家从力的测量识别功能，计算般的硬度和脆度值。然后，她尝试了几种不同的方法来从录音中提取额外的功能，最终发现，倍频分析效果最好。
下一步对她来说是全新的:开发基于所选特性的模型。找到合适的模型可能很困难，因为有太多的选择。Sanahuja博士使用了Statistics and Machine Learning Toolbox™中的分类学习应用程序来自动尝试每一个可能的模型，而不是手动尝试每一个选项。
她首先选择数据来训练模型。然后，她使用MATLAB来训练所有可能的模型——MATLAB生成一个模型列表，对每个模型进行训练，并生成显示其总体准确性的可视化结果。
基于这些结果，Sanahuja博士选择了二次支持向量机作为项目的最佳模型。金宝app该模型的准确率约为90-95%，甚至能够检测出我们对脆度的细微差别。
在下一个例子中，工程师使用深度学习来解决一个复杂的图像识别问题。从零开始训练一个深度学习网络需要大量的数据。但通过使用迁移学习在美国，这些工程师能够应用深度学习，即使只有少量的数据。
高效的隧道挖掘与深度学习
日本建筑公司大林公司使用一种名为新奥法开挖技术。在这种方法中，地质学家监视隧道面挖掘作为进展的强度，评估指标如骨折之间的间距。虽然这种方法降低了建设成本，它有一些局限性。它可能需要几个小时来分析一个网站，所以只能偶尔进行分析。此外，有熟练此技术地质学家的短缺。
大林决定解决这些限制的深度学习，他们将培养深度学习网络自动辨别基于掌子面图像的各种指标。他们面临的挑战是获得足够的数据。最好的深度学习网络已经培训了数以百万计的图像，但大林刚70。
大林地质学家第一标记的每个70个图像中的三个区域，记录度量的值等风化改变和断裂状态为每一个。然后，他们划分这些标记的区域为更小的图像，最终产生约3000个标记的图像。由于训练从头开始深度学习网络需要大量的时间，专业知识，很多时候更多的图像，他们所用的传送学习为主，预训练的深度学习网络上AlexNet创建自定义网络。
AlexNet已经培训了数以百万计的图像识别，如食品，家居用品和动物共同的对象，但是，当然，它不知道从掌子面的图片解释地质条件什么。随着迁移学习中，大林工程师再培训AlexNet的只是一小部分来估算基于掌子面的图像地质措施。
迁移学习工作流程。
到目前为止，大林的重新训练网络已取得接近90％的风化改变和断裂状态预测精度。
AI整合成一个完整的工程系统
我们已经看到，与MATLAB，您可以创建和训练机器学习模型或深度学习网络，即使你没有经验和很少的数据。但是，当然，这项工作还没有结束。在大多数情况下，你会希望你的模型集成到一个更大的系统。
我们的最后一个例子将所有需要建设的AI系统，并将其集成到生产系统中的元素结合在一起。
自动化农业收割机灌装操作
凯斯纽荷兰的大规模FR9000系列饲料收获机能够收割玉米，草，以每小时300吨以上的吞吐量等作物的同时，减少了作物件短4毫米。除了转向和保持最佳的速度，收割机操作人员必须直接作物流入拖车并监视其填充水平。需要专注于驾驶和灌装任务，同时使一个复杂的工作变得更加困难。
他们不能在实验室中复制复杂的工作条件，以及收获的季节太短，以允许在该领域广泛的原型。相反，他们进口AI算法到他们的Simulink系统模型，并在桌面上进行闭环仿真，采用3D场景模拟器来模拟金宝app现场条件。
在凯斯纽荷兰模拟架构的简化图。
仿真结果。左:收割机吊杆和拖车。右上:相机输出。
右下：距离和填充量。
一旦该功能通过桌面模拟测试，他们就会将带有计算机视觉和控制方法的笔记本电脑放入一台工作的收割机中，根据操作员的反馈实时微调人工智能算法。
他们产生控制器模型生产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。
操作人员报告说，该系统的性能与在笔记本电脑上运行时一样。新荷兰IntelliFill™系统目前正在FR9000系列牧草收割机上生产。
摘要
有了MATLAB，你准备好AI即使你有机器学习的经验。您可以使用应用来快速尝试不同的方法，并应用领域的专业知识，以准备数据。
如果这是不可行的识别数据的功能，您可以用深度学习，识别功能，为你的训练过程的一部分。深学习需要大量的数据，但可以使用迁移学习扩展现有的网络工作，你有数据。
最后，您可以将该模型作为完整AI系统的一部分部署在嵌入式设备上。
