应用人工智能的6种行之有效的方法

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。