机器学习:概述.1

什么是机器学习?

机器学习是人工智能(AI)的一种应用，计算机在没有明确编程的情况下人工地“学习”和“解决问题”. 机器学习的主要好处是提供更大的计算和预测能力. 机器学习能够处理大量数据，而不会有人为错误的风险. 机器学习还可以在人类使用传统方法难以完成的范围内进行预测.

一个例子是 IBM的肿瘤学沃森 使用机器学习来“研究”病人的医疗记录. 基于各种背景资料和医疗记录, 机器学习算法识别医生需要考虑的关键信息, 并提供了潜在的治疗方案.

机器学习是如何工作的?

机器学习通过获取大量数据并使用算法对其进行分类来“学习”, 寻找模式, 找到关系. 然后，机器学习将这些“知识”应用于用户指示的任务. 预测只是用户可以要求ML执行的任务之一.

ML算法代表一个过程或一组要遵循的规则，具有高度的灵活性. 这意味着它们可以应用于各种各样的数据集、主题和问题. 然而, 以使机器学习算法提供足够的用户价值, 该算法可能需要更多的数据或来源来“研究”。. 这个过程可能是迭代的，而且很耗时, 在考虑使用机器学习时必须考虑哪些因素.

(延伸阅读: 机器学习算法导览)

机器学习在实践中的一些例子是什么?

收费站的车辆分类:

• 这个例子是由Michael sciocca和系统开发团队领导的IBI Group项目.
• 在印度收费站, 机器学习算法分析激光扫描仪和感应回路数据，根据高度对车辆进行分类, 轴, 并根据底盘特性收取正确的车辆通行费.
• 与之前的分类方法相比，ML将收费分配准确率从84%提高到97%.

基于无人机镜头检测基础设施缺陷:

• 无人机捕捉到混凝土桥梁的热成像镜头. 然后将其输入ML算法，该算法用于开发地下分层的热图.
• 机器学习被认为是一种有效的、非破坏性的检查桥面的方法.
• 进一步阅读: 混凝土桥面养护

点击这里查看大图.

根据无人机录像分析交通状况:

• 移动传感平台用于识别和分类无人机拍摄的车辆.
• 车辆位置, 速度和加速度用于执行与交通计数相关的各种任务, 旅行时间, 速度, 延误分析, 车道利用率, 排放, 和更多的.
• 多亏了机器学习，至少96%的车辆被正确识别和分类.
• 进一步阅读: 来自天空的数据

利用x射线图像预测癌细胞的存在:

• 而低剂量计算机断层扫描(LDCT)和计算机断层扫描(CT)扫描提供比x射线图像更多的信息, 农村地区获得这项技术的机会有限.
• 机器学习被用来制作热图，以筛查胸部x光片中肺部癌细胞的存在.
• 该算法在大约75%的情况下能够识别出癌细胞的存在.

进一步阅读: 基于深度学习方法的胸部x线图像肺癌自动预测

采用机器学习有哪些障碍?

由于它仍然是一个新兴领域，因此在考虑ML时必须谨慎. 采用的障碍包括:

• 管理大量的数据
• 未知的技术能力
• 对就业的潜在影响
• 数据隐私
• 决定要使用的ML算法的类型

这篇文章是基于…的发现 “机器学习:概述”， 内置口袋R&Andrew Wong, Anthony Lui和Cameron Berko报道. 口袋R&D是IBI的战术微观研究计划，它利用我们人才库的知识来告知我们如何定义未来的城市.