为matlab准备好ai
AI是无处不在。这不只是供电，如智能助手，机器翻译应用程序，并自动驾驶，它也给工程师和科学家的一套技术以新的方式解决共同的任务。然而，根据最近的估计，而许多组织认识价值和AI的潜力，很少有人使用它，Gartner公司的3000家公司最近的一项调查表明，的50％即开始计划AI，只有4％的人实际上实现了它。1
许多组织被他们认为是实现AI的压倒性挑战：
- 相信做AI，你需要在数据科学方面的专家
- 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
- 成本和AI整合到现有的算法和系统的复杂性
三真实世界的例子将展示如何MATLAB®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。
人工智能模型只是开发一个完整工程系统的完整工作流的一部分。
什么是ai，它是怎么做的？
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：训练机器学习所需的行为。
在传统的编程，你会写一个程序，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。(“深度”一词指的是网络中的层数——层越多，网络就越深。)深度学习的一个关键优势是，它不需要人工数据处理步骤，也不需要其他技术所需的广泛领域知识。
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。
使用机器学习来检测休闲食品松脆
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，决定尝试万博1manbetx一下。她进行了数百次实验，记录了在不同新鲜程度下碾碎零食的声音和力度，并记录了训练有素的品尝者的新鲜度评分。
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:基于选定的特征开发一个模型。找到合适的模型可能很困难，因为选择太多了。Sanahuja博士使用统计学和机器学习工具箱™中的分类学习应用程序来自动尝试每一个可能的模型，而不是手动尝试每个选项。
她首先选择的数据用于训练模型。然后，她用MATLAB培训所有可能的模型，MATLAB产生显示出其整体精度的机型列表，训练有素的每一个，并制作可视化效果。
基于这些结果，Sanahuja博士选择了二次支持向量机作为该项目的最佳模式。万博1manbetx该模型是约90-95％准确，甚至能检测我们如何看待松脆小的差异。
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。从头开始训练一个深度学习网络需要大量的数据。但通过使用转移学习这些工程师们能够运用深度学习，即使数据适量的。
基于深度学习的隧道高效开挖
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。
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。
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，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。
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场景模拟器来模拟万博1manbetx现场条件。
一种简化的荷兰仿真框架的视图。
仿真结果。左:矿车吊杆和拖车。右上：摄像机输出。
右下：距离和填充量。
一旦该功能通过桌面模拟测试，他们将带有计算机视觉和控制方法的笔记本电脑放入正在工作的收割机中，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，其运行收割机的显示面板的软件。
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。
总结
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。
如果在你的数据中识别特征是不可行的，你可以使用深度学习，它在训练过程中为你识别特征。深度学习需要大量的数据，但您可以使用迁移学习来扩展现有网络，以使用您拥有的数据。
最后，您可以部署模型的嵌入式设备上的完整的AI系统的一部分。
