人工智能的可能性是如此之大,以至于很容易忽略一个事实,即在系统的不同部分可能使用多个机器学习算法来构建一个“人工智能”。本幻灯片展示了你可以用人工智能完成的六项基本任务,以及示例和常见算法。这些任务使用强化学习、深度学习和传统机器学习中的技术,是许多现代AI应用的构建模块。
应用程序:提高图像分辨率,去噪音频信号,创建增强图像
输入:图像和信号数据
常见的算法:LSTM, cnn, VDSR神经网络
例子:执行图像之间的域转换。的Day-to-Dusk形象翻译Example使用了一个无监督的图像到图像的翻译网络。
应用程序:具有物体检测、语义分割、机器人、用于图像识别的计算机视觉感知、活动检测、语音生物识别(声纹)、关键字检测、智能设备的高级驾驶辅助系统(ADAS)
输入:图像、视频信号
常见的算法:cnn与YOLO,集群,维奥拉-琼斯
例子:对街道图像中的每个像素进行分类。的基于深度学习的语义分割以Deeplab v3+ [1] CNN为例。
应用程序:控制系统,制造业机器人,自动驾驶汽车,无人机,视频游戏
输入:数学模型,传感器数据,视频,激光雷达数据
常见的算法:强化学习,人工神经网络(ann), cnn,循环神经网络(RNNs)
例子:进行路径规划以了解到达目的地的最佳路径。的Pong例子在GitHub中使用强化学习。
应用程序:预测性维护,金融交易
输入:传感器数据,有时间标记的财务数据,数字数据
常见的算法:线性回归,决策树,支持向量机,神经网络
例子:利用来自电机的实时传感器数据来预测旋转机械的剩余使用寿命。的基于相似性的剩余使用寿命估计示例使用线性回归。
应用程序:生成故障数据,增加训练集的大小,进行音频增强实验
输入:图像、信号和文本数据
常见的算法:甘斯,autoencoders
例子:利用现有数据创建新型花朵的图像。的训练生成对抗网络示例使用带有两个网络的GAN,一个用于创建图像的Generator和一个用于将图像分类为“真实”或“生成”的Discriminator。
应用程序:安全记录、市场或医学研究、情感分析、网络安全、文档摘要、推荐系统的自然语言处理
输入:流文本数据,静态文本数据
常见的算法:rnn,线性回归,支持向量机,naïve贝叶斯,潜狄利克雷分配(LDA),潜语义分析,word2vec
例子:确定文本数据中有多少个主题。的使用主题模型分析文本数据示例使用了LDA主题模型。
学习如何应用这些技术与MATLAB通过免费的2小时教程。
选择一个网站
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您的地理位置,我们建议您选择:.
您也可以从以下列表中选择网站:
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。
联系当地办事处