色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
电子发烧友
开通电子发烧友VIP会员 尊享10大特权
海量资料免费下载
精品直播免费看
优质内容免费畅学
课程9折专享价
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

機器學習技術的理論背景

星星科技指導員 ? 來源:嵌入式計算設計 ? 作者:Sorin Mihai ? 2022-12-02 14:53 ? 次閱讀

機器學習可以定義為一組算法,有助于根據過去的學習進行預測。

在機器學習算法中,輸入數據被組織為數據點。每個數據點都由描述所表示數據的特征組成。例如,尺寸和速度是可以將汽車與街道上的自行車區分開來的特征。汽車的大小和速度通常都高于自行車。機器學習方法的目標是將輸入數據轉換為有意義的輸出,例如將輸入數據分類為汽車和非汽車數據點或對象。輸入通常寫為向量,由多個數據點組成。輸出寫為。xy

二維或三維輸入數據可以在所謂的特征空間中進行說明和查看,其中每個數據點都相對于其特征繪制。圖 8 (a) 顯示了描述汽車和非汽車對象的二維特征空間的簡化示例。x

pYYBAGOJoQyAbFX-AADvWuiesyU971.png

圖8.根據汽車和非汽車物體的大小和速度對汽車和非汽車對象進行分類:特征空間(a)以及兩個類(b)之間的相應間隔。

所謂的學習映射函數或,給出特征向量之間的差異(例如,分類為汽車和非汽車數據點)。該模型的結構范圍從簡單的線性函數(例如圖 8 (a) 中的汽車和非汽車對象的線劃分)到復雜的非線性神經網絡。學習方法的目標是確定系數的值,這些系數表示可用輸入數據中的模型參數。映射函數的輸出是算法對輸入數據描述內容的預測。model,h_θ (x)θ-

機器學習方法可以根據映射函數的學習方式進行分類(圖 9)。有三種可能性:

監督學習 –映射函數是根據訓練數據對計算的,其中預先知道的輸出在訓練階段單獨提供給學習算法。計算出模型參數后,可以將模型部署到目標應用程序中。當它收到未知數據點時,它的輸出將是預測值。yy

無監督學習 –在這種情況下,與監督學習相比,在訓練階段沒有可用的特征標簽對。學習算法的輸入僅包含未標記的數據點。這種機器學習方法的目標是直接從輸入特征在特征空間中的分布中推斷出輸入特征的標簽。x

強化(半監督)學習 –在這種情況下,訓練數據也沒有標簽,但構建模型是為了通過一組操作促進與其環境的交互。映射函數將環境的狀態映射到操作,該狀態由輸入數據提供給操作。獎勵信號指示操作在環境的特定狀態下的性能。當信號表明積極影響時,學習算法會加強動作。如果識別出負面影響,該算法將阻止環境的特定操作或狀態。

poYBAGOJoRKAcNGOAAC6Ms7t080094.png

圖9.基于訓練方法的機器學習算法分類。

深度學習革命

近年來,所謂的深度學習范式徹底改變了機器學習領域。深度學習通過解決以前傳統模式識別方法無法解決的挑戰,對機器學習社區產生了巨大影響(LeCun et al. 2015)。深度學習的引入極大地提高了專為視覺識別、對象檢測、語音識別、異常檢測或基因組學而設計的系統精度。深度學習的關鍵方面是,用于解釋數據的特征是從訓練數據中自動學習的,而不是由工程師手動制作的。

pYYBAGOJoRiAHmdEAAFZ8FQXLFk467.png

圖 10.經過訓練的深度卷積神經網絡可以識別圖像中的汽車。

到目前為止,構建良好的模式識別算法的主要挑戰是手動設計用于分類的手工制作的特征向量,例如早期版本的交通標志識別系統中使用的局部二進制模式,如第 1 部分所述。深度學習的出現已經用學習算法取代了特征向量的手動工程,該算法可以自動發現原始輸入數據中的重要特征。

在架構上,深度學習系統由多層非線性單元組成,可以將原始輸入數據轉換為更高級別的抽象。每個層將前一層的輸出映射到適用于回歸或分類任務的更復雜的表示中。這種學習通常在深度神經網絡上進行,該網絡通過使用反向傳播算法進行訓練。該算法迭代地調整網絡的參數或權重,以模擬輸入訓練數據。因此,網絡在訓練結束時學習了輸入數據點的復雜非線性映射函數。

圖 10 顯示了深度神經網絡的符號表示,該網絡經過訓練以識別圖像中的汽車。輸入層表示原始輸入像素。隱藏層 1 通常模擬圖像某些位置和方向中邊緣的存在與否。第二個隱藏層使用在前一層中計算的邊對對象零件進行建模。第三個隱藏層構建了建模對象的抽象表示,在我們的例子中,這是汽車的成像方式。輸出層根據第三個隱藏層的高級特征計算給定圖像包含汽車的概率。

不同的網絡架構源于神經網絡的單元和層的分布方式。所謂的感知器是最簡單的,由單個輸出神經元組成。通過構建感知器可以獲得大量的神經網絡風格。這些網絡中的每一個都比其他網絡更適合特定的應用程序。圖 11 顯示了近年來創建的眾多神經網絡架構中最常見的三種。

深度前饋神經網絡(圖11a)是一種結構,其中兩個相鄰層之間的神經元完全互連,并且信息流僅在一個方向上,從系統的輸入到輸出。這些網絡可用作通用分類器,并用作所有其他類型的深度神經系統的基礎。

pYYBAGOJoR6AZdV3AAHCD7wYZyk704.png

圖 11.深度神經網絡架構(來源:www.asimovinstitute.org)

深度卷積神經網絡(圖11b)改變了視覺感知方法的發展方式。此類網絡由交替的卷積層和池化層組成,這些層通過從輸入數據進行泛化來自動學習對象特征。這些學習到的特征被傳遞到一個完全互連的前饋網絡進行分類。這種類型的卷積網絡是圖 10 所示汽車檢測架構和第1 部分描述的用例的基礎。

雖然深度卷積網絡對視覺識別至關重要,但深度遞歸神經網絡(圖11c)對于自然語言處理至關重要。由于隱藏層中神經元之間的自遞歸連接,這種架構中的信息是時間依賴性的。網絡的輸出可能因數據饋入網絡的順序而異。例如,如果在單詞“mouse”之前輸入單詞“cat”,則會獲得一定的輸出。現在,如果輸入順序發生變化,輸出順序也可能更改。

機器學習算法的類型

盡管深度神經網絡是復雜機器學習挑戰中最常用的解決方案之一,但還有各種其他類型的機器學習算法可用。表1根據其性質(連續或離散)和訓練類型(有監督或無監督)對它們進行分類。

poYBAGOJoSaAHXsZAAG92O9k-nc143.png

表 1.機器學習算法的類型

機器學習估計器可以根據其輸出值或訓練方法大致分類。如果后者估計連續值函數(即連續輸出),則該算法被歸類為回歸估計器。當機器學習算法的輸出是離散變量時,該算法稱為分類器。第 1 部分中描述的交通標志檢測和識別系統是此類算法的實現。y

? Ry ? {0,1,…,q}

異常檢測是無監督學習的一種特殊應用。此處的目標是識別數據集中的異常值或異常。異常值定義為特征向量,與應用程序中常見的特征向量相比,這些特征向量具有不同的屬性。換句話說,它們在特征空間中占據不同的位置。

表 1 還列出了一些流行的機器學習算法。下面簡要解釋這些內容。

線性回歸是一種回歸方法,用于將線、平面或超平面擬合到數據集。擬合模型是一個線性函數,可用于對實值函數進行預測。y

邏輯回歸是線性回歸方法的離散對應物,其中映射函數給出的預測實際值被轉換為概率輸出,該輸出表示輸入數據點對某個類的成員資格。

樸素貝葉斯分類器是一組基于貝葉斯定理構建的機器學習方法,該定理假設每個特征都獨立于其他特征。

支持向量機 (SVM) 旨在使用所謂的邊距計算類之間的分離。邊距的計算盡可能寬,以便盡可能清楚地分隔類。

集成方法,如決策樹、運行dom 森林或AdaBoost組合了一組基礎分類器,有時稱為“弱”學習器,目的是獲得“強”分類器。

神經網絡是機器學習算法,其中回歸或分類問題由一組稱為神經元的互連單元解決。從本質上講,神經網絡試圖模仿人腦的功能。

K-均值聚類是一種用于將具有共同屬性的特征分組在一起的方法,即它們在特征空間中彼此接近。k 均值根據要分組的給定聚類數,以迭代方式將常見要素分組到球形聚類中。

均值偏移也是一種數據聚類技術,對于異常值而言,該技術更為通用和穩健。與 k 均值相反,均值偏移只需要一個優化參數(搜索窗口大小),并且不假定數據聚類的球形先驗形狀。

主成分分析 (PCA) 是一種數據降維技術,它將一組可能相關的特征轉換為一組名為主成分的線性不相關變量。主成分按方差順序排列。第一個分量的變化最大;第二個在此之下有下一個變體,依此類推。

第三部分在功能安全要求的背景下評估這些機器學習算法。

審核編輯:郭婷

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 機器學習
    +關注

    關注

    66

    文章

    8473

    瀏覽量

    133732
  • 深度學習
    +關注

    關注

    73

    文章

    5536

    瀏覽量

    122191
收藏 0人收藏

    評論

    相關推薦

    射頻電路設計——理論與應用

    本資料從低頻電路理論到射頻、微波電路理論的演化過程出發,討論以低頻電路理論為基礎結合高頻電壓、電流的波動特征來分析和設計射頻、微波系統的方法——微波等效電路法,使不具備電磁場理論和微波
    發表于 04-03 11:41

    **【技術干貨】Nordic nRF54系列芯片:傳感器數據采集與AI機器學習的完美結合**

    技術干貨】nRF54系列芯片:傳感器數據采集與AI機器學習的完美結合 近期收到不少伙伴咨詢nRF54系列芯片的應用與技術細節,今天我們整理幾個核心問題與解答,帶你快速掌握如何在nRF
    發表于 04-01 00:00

    背景抑制光電開關的設計及應用

    進行統計分析,采用數字信號處理技術等,進一步提高背景抑制效果和檢測精度。比如在生產線上檢測微小零件時,通過對多次采集的信號進行統計分析,能更準確地判斷零件的有無和位置。 輸出與接口功能 ·開關量輸出
    發表于 01-11 13:43

    【「具身智能機器人系統」閱讀體驗】1.全書概覽與第一章學習

    非常感謝電子發燒友提供的這次書籍測評活動!最近,我一直在學習大模型和人工智能的相關知識,深刻體會到機器技術是一個極具潛力的未來方向,甚至可以說是推動時代變革的重要力量。能參與這次活動并有機會深入
    發表于 12-27 14:50

    【「具身智能機器人系統」閱讀體驗】+初品的體驗

    學習資源,以培養更多的專業人才。隨著具身智能機器技術對社會的影響越來越大,該書還可以向公眾普及相關的知識,以提升社會對新技術的認知和接受度,從而為
    發表于 12-20 19:17

    《具身智能機器人系統》第1-6章閱讀心得之具身智能機器人系統背景知識與基礎模塊

    感謝主辦方慧眼識金給我這樣一個寶貴的學習機會,不勝感激。 相比LLM技術和應用在軟件層面的如火如荼發展,在硬件領域,我們并沒有看到諸如“ChatGPT”這樣的“殺手锏”式的炸裂產品發布。不過這也
    發表于 12-19 22:26

    什么是機器學習?通過機器學習方法能解決哪些問題?

    計算機系統自身的性能”。事實上,由于“經驗”在計算機系統中主要以數據的形式存在,因此機器學習需要設法對數據進行分析學習,這就使得它逐漸成為智能數據分析技術的創新源之一,
    的頭像 發表于 11-16 01:07 ?690次閱讀
    什么是<b class='flag-5'>機器</b><b class='flag-5'>學習</b>?通過<b class='flag-5'>機器</b><b class='flag-5'>學習</b>方法能解決哪些問題?

    DaVinci技術背景和規格

    電子發燒友網站提供《DaVinci技術背景和規格.pdf》資料免費下載
    發表于 10-09 09:29 ?0次下載
    DaVinci<b class='flag-5'>技術</b><b class='flag-5'>背景</b>和規格

    【「時間序列與機器學習」閱讀體驗】時間序列的信息提取

    。 時間序列的單調性理論是數學求導。下面是使用EWMA分析股票價格變動,以決定買入還是賣出。通過仿真數據,這種指數移動平均的技術剔除了短期波動,有助看清股票整體趨勢。 通過對本章學習,對時間序列的研究目的、方法與特征有了較全
    發表于 08-17 21:12

    【「時間序列與機器學習」閱讀體驗】+ 鳥瞰這本書

    清晰,從時間序列分析的基礎理論出發,逐步深入到機器學習算法在時間序列預測中的應用,內容全面,循序漸進。每一章都經過精心設計,對理論知識進行了詳細的闡述,對實際案例進行了生動的展示,使讀
    發表于 08-12 11:28

    【《時間序列與機器學習》閱讀體驗】+ 了解時間序列

    收到《時間序列與機器學習》一書,彩色印刷,公式代碼清晰,非常精美。感謝作者,感謝電子發燒友提供了一個讓我學習時間序列及應用的機會! 前言第一段描述了編寫背景: 由此可知,這是一本關于時
    發表于 08-11 17:55

    機器學習算法原理詳解

    機器學習作為人工智能的一個重要分支,其目標是通過讓計算機自動從數據中學習并改進其性能,而無需進行明確的編程。本文將深入解讀幾種常見的機器學習
    的頭像 發表于 07-02 11:25 ?1892次閱讀

    深度學習與傳統機器學習的對比

    在人工智能的浪潮中,機器學習和深度學習無疑是兩大核心驅動力。它們各自以其獨特的方式推動著技術的進步,為眾多領域帶來了革命性的變化。然而,盡管它們都屬于
    的頭像 發表于 07-01 11:40 ?1920次閱讀

    名單公布!【書籍評測活動NO.35】如何用「時間序列與機器學習」解鎖未來?

    和專業知識,對這一領域進行系統的梳理和總結。然而,將時間序列分析與機器學習技術相結合的書籍卻并不多見。 以上正是《時間序列與機器學習》這本“
    發表于 06-25 15:00

    深入探討機器學習的可視化技術

    機器學習可視化(簡稱ML可視化)一般是指通過圖形或交互方式表示機器學習模型、數據及其關系的過程。目標是使理解模型的復雜算法和數據模式更容易,使技術
    發表于 04-25 11:17 ?564次閱讀
    深入探討<b class='flag-5'>機器</b><b class='flag-5'>學習</b>的可視化<b class='flag-5'>技術</b>
    主站蜘蛛池模板: 久久9精品区-无套内射无码 | 国产精品嫩草影视在线观看 | 米奇影视999 | 欧美男同gay粗大又长 | 动漫美女被羞羞动漫怪物 | 亚洲欧洲精品A片久久99 | 成人免费视频在线 | 我的年轻漂亮继坶三级 | adc影院欢迎您大驾光临入口 | 午夜精品久久久久久久99蜜桃 | 野花日本手机观看大全免费3 | 国产成人v视频在线观看 | 午夜伦理伦理片在线观 | 无码137片内射在线影院 | 娇妻被朋友玩得呻吟在线电影 | 一攻多受h嗯啊巨肉bl巨污 | 成人免费视频网站www | 国产午夜精品自在自线之la | 久久国产加勒比精品无码 | 国产成人无码WWW免费视频在线 | bbw美女与zooxx| 国产免费播放一区二区三区 | 亚洲高清中文字幕免费 | 秋霞伦理机在线看片 | 日韩精品无码久久一区二区三 | 亚洲 日本 欧美 中文字幕 | 国产精品97久久AV色婷婷综合 | 天天操人人射 | 52av我爱| 国产精品免费小视频 | 国产老师开裆丝袜喷水漫画 | 暖暖视频 免费 高清 日本8 | 国产欧美日韩综合精品一区二区 | 欧美香蕉大胸在线视频观看 | 国产欧美无码亚洲毛片 | 扒开双腿疯进出爽爽爽动态图 | 91国在线啪精品一区 | 国厂精品114福利电影 | 亚洲欧美一区二区三区导航 | 日本久久网站 | 国产亚洲色婷婷久久精品99 |

    電子發燒友

    中國電子工程師最喜歡的網站

    • 2931785位工程師會員交流學習
    • 獲取您個性化的科技前沿技術信息
    • 參加活動獲取豐厚的禮品