?機(jī)器學(xué)習(xí) 文章 最新資訊
ST機(jī)器學(xué)習(xí)解決方案助力車企探索汽車AI可能性
- 意法半導(dǎo)體的首款車規(guī)機(jī)器學(xué)習(xí)解決方案SL-AIAID012401V1由AEKD-AICAR1?評(píng)估套件、AI?人工智能插件和AutoDevKit?車規(guī)開發(fā)板組成，能夠識(shí)別駐車、正常路況、崎嶇道路、車輪側(cè)滑或突然轉(zhuǎn)向四種汽車狀態(tài)。這是一個(gè)難得的機(jī)會(huì)，可以通過測(cè)試和開發(fā)汽車人工智能應(yīng)用，以確定該技術(shù)是否適合這個(gè)市場(chǎng)。事實(shí)上，許多車企還在探索在行業(yè)現(xiàn)階段，機(jī)器學(xué)習(xí)對(duì)他們是否有意義。從頭開始創(chuàng)建算法需要投入大量的人力和資金。把評(píng)估解決方案導(dǎo)入我們的?AutoDevKit 平
- 關(guān)鍵字： ST 機(jī)器學(xué)習(xí) 汽車AI
Gartner發(fā)布影響數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)未來方向的重要趨勢(shì)
- Gartner今日發(fā)布了影響數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)（DSML）未來方向的重要趨勢(shì)。隨著DSML行業(yè)的快速發(fā)展和演變，數(shù)據(jù)對(duì)于人工智能（AI）開發(fā)與運(yùn)用的重要性日益提高，尤其是投資重點(diǎn)也正轉(zhuǎn)向生成式人工智能領(lǐng)域。 Gartner研究總監(jiān)Peter Krensky表示：“隨著機(jī)器學(xué)習(xí)在各個(gè)行業(yè)的應(yīng)用持續(xù)快速擴(kuò)大，DSML也正從單純側(cè)重于預(yù)測(cè)模型轉(zhuǎn)向更加普及化、動(dòng)態(tài)化和以數(shù)據(jù)為中心的技術(shù)領(lǐng)域，而且生成式人工智能（AI）的熱潮也助推了這一趨勢(shì)。盡管潛在風(fēng)險(xiǎn)不斷出現(xiàn)，但面向數(shù)據(jù)科學(xué)家及其組織的新功能和用例也層
- 關(guān)鍵字： Gartner 機(jī)器學(xué)習(xí)
卷積神經(jīng)網(wǎng)絡(luò)的硬件轉(zhuǎn)換：什么是機(jī)器學(xué)習(xí)？——第三部分
- 摘要本系列文章由三部分組成，主要探討卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特性和應(yīng)用。CNN主要用于模式識(shí)別和對(duì)象分類。作為系列文章的第三部分，本文重點(diǎn)解釋如何使用硬件轉(zhuǎn)換卷積神經(jīng)網(wǎng)絡(luò)(CNN)，并特別介紹使用帶CNN硬件加速器的人工智能(AI)微控制器在物聯(lián)網(wǎng)(IoT)邊緣實(shí)現(xiàn)人工智能應(yīng)用所帶來的好處。系列文章的前兩篇文章為《卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介：什么是機(jī)器學(xué)習(xí)？——第一部分》和《訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：什么是機(jī)器學(xué)習(xí)？——第二部分》。 簡(jiǎn)介AI應(yīng)用通常需要消耗大量能源，并以服務(wù)器農(nóng)場(chǎng)或昂貴的現(xiàn)場(chǎng)可編程門陣列(FPG
- 關(guān)鍵字： 卷積神經(jīng)網(wǎng)絡(luò) 硬件轉(zhuǎn)換 機(jī)器學(xué)習(xí) ADI
使用多層感知器進(jìn)行機(jī)器學(xué)習(xí)
- 到目前為止，我們關(guān)注的是單層感知器，它由一個(gè)輸入層和一個(gè)輸出層組成。您可能還記得，我們使用術(shù)語“單層”是因?yàn)榇伺渲脙H包括一層計(jì)算活動(dòng)節(jié)點(diǎn)，即通過求和然后應(yīng)用激活函數(shù)來修改數(shù)據(jù)的節(jié)點(diǎn)。輸入層中的節(jié)點(diǎn)只是分發(fā)數(shù)據(jù)。到目前為止，我們關(guān)注的是單層感知器，它由一個(gè)輸入層和一個(gè)輸出層組成。您可能還記得，我們使用術(shù)語“單層”是因?yàn)榇伺渲脙H包括一層計(jì)算活動(dòng)節(jié)點(diǎn)，即通過求和然后應(yīng)用激活函數(shù)來修改數(shù)據(jù)的節(jié)點(diǎn)。輸入層中的節(jié)點(diǎn)只是分發(fā)數(shù)據(jù)。單層感知器在概念上很簡(jiǎn)單，訓(xùn)練過程非常簡(jiǎn)單。不幸的是，它不提供我們復(fù)雜的、現(xiàn)實(shí)生活中的應(yīng)用
- 關(guān)鍵字： 多層感知器 機(jī)器學(xué)習(xí)
如何通過人工智能(AI)和機(jī)器學(xué)習(xí)應(yīng)對(duì)零售勞動(dòng)力和執(zhí)行方面的挑戰(zhàn)
- 今年以來國(guó)內(nèi)消費(fèi)持續(xù)恢復(fù)，國(guó)內(nèi)零售市場(chǎng)呈穩(wěn)步發(fā)展態(tài)勢(shì)，而商務(wù)部也將2023年定為“消費(fèi)提振年”，消費(fèi)的基礎(chǔ)性作用被進(jìn)一步強(qiáng)調(diào)。面對(duì)不斷增長(zhǎng)的需求，零售團(tuán)隊(duì)人員數(shù)量及具體運(yùn)營(yíng)執(zhí)行是否能及時(shí)匹配，正成為零售商們不得不面臨的挑戰(zhàn)。零售團(tuán)隊(duì)人員的短缺將使商店難以正常運(yùn)營(yíng)。當(dāng)商店經(jīng)理的人數(shù)捉襟見肘時(shí)，他們可能沒有時(shí)間對(duì)員工進(jìn)行新技能培訓(xùn)，幫助員工提高現(xiàn)有的技能組合，或者弄清楚如何以更佳的方式在商店中利用其技能。商店經(jīng)理也可能難以對(duì)已有員工進(jìn)行有效的安排。鑒于如今客戶和員工的期望之高前所未有，因此很難追蹤每位團(tuán)隊(duì)成員
- 關(guān)鍵字： 人工智能 機(jī)器學(xué)習(xí) 零售
機(jī)器學(xué)習(xí)在半導(dǎo)體制造中的重要性提升
- 本文討論機(jī)器學(xué)習(xí) (ML) 與半導(dǎo)體制造之間的關(guān)系，特別是 ML 算法和模型在半導(dǎo)體制造過程中的應(yīng)用。
- 關(guān)鍵字： 機(jī)器學(xué)習(xí)
訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：什么是機(jī)器學(xué)習(xí)？——第二部分
- 本文是系列文章的第二部分，重點(diǎn)介紹卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特性和應(yīng)用。CNN主要用于模式識(shí)別和對(duì)象分類。在第一部分文章《卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介：什么是機(jī)器學(xué)習(xí)？——第一部分》中，我們比較了在微控制器中運(yùn)行經(jīng)典線性規(guī)劃程序與運(yùn)行CNN的區(qū)別，并展示了CNN的優(yōu)勢(shì)。我們還探討了CIFAR網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以對(duì)圖像中的貓、房子或自行車等對(duì)象進(jìn)行分類，還可以執(zhí)行簡(jiǎn)單的語音識(shí)別。本文重點(diǎn)解釋如何訓(xùn)練這些神經(jīng)網(wǎng)絡(luò)以解決實(shí)際問題。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程本系列文章的第一部分討論的CIFAR網(wǎng)絡(luò)由不同層的神經(jīng)元組成。如圖1所示，32 ×
- 關(guān)鍵字： ADI 機(jī)器學(xué)習(xí)
卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介：什么是機(jī)器學(xué)習(xí)？——第一部分
- 隨著人工智能(AI)技術(shù)的快速發(fā)展，AI可以越來越多地支持以前無法實(shí)現(xiàn)或者難以實(shí)現(xiàn)的應(yīng)用。本系列文章基于此解釋了卷積神經(jīng)網(wǎng)絡(luò)(CNN)及其對(duì)人工智能和機(jī)器學(xué)習(xí)的意義。CNN是一種能夠從復(fù)雜數(shù)據(jù)中提取特征的強(qiáng)大工具，例如識(shí)別音頻信號(hào)或圖像信號(hào)中的復(fù)雜模式就是其應(yīng)用之一。本文討論了CNN相對(duì)于經(jīng)典線性規(guī)劃的優(yōu)勢(shì)，后續(xù)文章《訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)：什么是機(jī)器學(xué)習(xí)？——第二部分》將討論如何訓(xùn)練CNN模型，系列文章的第三部分將討論一個(gè)特定用例，并使用專門的AI微控制器對(duì)模型進(jìn)行測(cè)試。什么是卷積神經(jīng)網(wǎng)絡(luò)？神經(jīng)網(wǎng)絡(luò)是一種由神
- 關(guān)鍵字： ADI 卷積神經(jīng)網(wǎng)絡(luò) 機(jī)器學(xué)習(xí)
AI也需休息？研究稱AI“睡眠”后學(xué)習(xí)力大增
- AI（人工智能）可以說是目前的熱點(diǎn)領(lǐng)域，從工廠的機(jī)器人，到支付時(shí)的人臉識(shí)別，生活處處都充斥著AI的影子。人們通常認(rèn)為，AI可以不知疲倦，無時(shí)無刻地工作。 但其有一個(gè)致命缺點(diǎn)，當(dāng)學(xué)習(xí)了新知識(shí)后，會(huì)把之前學(xué)習(xí)的知識(shí)忘記，這種現(xiàn)象稱為“災(zāi)難性遺忘”。近日，美國(guó)加州大學(xué)圣地亞哥醫(yī)學(xué)院的研究發(fā)現(xiàn)，通過讓一種新型的超級(jí)AI模仿人類睡眠，離線一段時(shí)間后，AI的“災(zāi)難性遺忘”會(huì)得到緩解。 AI在“睡眠”后，就能像人腦一樣，回憶過去，而不需用舊的數(shù)據(jù)重新訓(xùn)練。據(jù)了解，人腦中的記憶是由突觸重量的模式表示的
- 關(guān)鍵字： AI 人工智能 機(jī)器學(xué)習(xí)
基于數(shù)據(jù)驅(qū)動(dòng)的多模型故障診斷
- 摘 要：故障通常特指某個(gè)系統(tǒng)或某個(gè)運(yùn)行過程的一系列相關(guān)參數(shù)喪失了規(guī)定性能的狀態(tài)，或者在特定場(chǎng)景下 控制指標(biāo)出現(xiàn)了偏差。故障不可避免，故障影響了電力系統(tǒng)正常安全穩(wěn)定運(yùn)行。為此迫切需要快速識(shí)別診斷故 障。本文基于數(shù)據(jù)驅(qū)動(dòng)算法，詳細(xì)對(duì)比分析了多種基于機(jī)器學(xué)習(xí)主流模型故障診斷的方法，并通過實(shí)例驗(yàn)證了 模型的有效性以及優(yōu)越性，對(duì)模型的選擇具有重要參考意義。關(guān)鍵詞：故障識(shí)別；機(jī)器學(xué)習(xí)；數(shù)據(jù)驅(qū)動(dòng)0 引言被控系統(tǒng)處于非正常運(yùn)行情況時(shí)，若能夠采用某種 技術(shù)快速實(shí)時(shí)在線檢測(cè)故障并且能基于先進(jìn)定位技術(shù)判 別故障點(diǎn)準(zhǔn)確
- 關(guān)鍵字： 202211 故障識(shí)別 機(jī)器學(xué)習(xí) 數(shù)據(jù)驅(qū)動(dòng)
意法半導(dǎo)體嵌入式 AI 解決方案增加簡(jiǎn)化機(jī)器學(xué)習(xí)開發(fā)的高級(jí)功能
- 2022 年 11 月 15 日，中國(guó)——為了擴(kuò)大開發(fā)工具的功能，加快嵌入式人工智能 (AI) 和機(jī)器學(xué)習(xí) (ML) 開發(fā)項(xiàng)目，意法半導(dǎo)體發(fā)布了NanoEdge AI Studio 和 STM32Cube.AI.的升級(jí)版本。這兩個(gè)開發(fā)工具有助于把人工智能和機(jī)器學(xué)習(xí)遷移到應(yīng)用邊緣設(shè)備。遷移到網(wǎng)絡(luò)邊緣后，人工智能和機(jī)器學(xué)習(xí)的優(yōu)勢(shì)非常突出，包括原生隱私保護(hù)、確定性實(shí)時(shí)響應(yīng)、更高可靠性和更低功耗。NanoEdge AI Studio 是一個(gè)自動(dòng)化的機(jī)器學(xué)習(xí)開發(fā)工具，適合不需要開發(fā)神經(jīng)網(wǎng)絡(luò)的應(yīng)用項(xiàng)目。該工具需要與S
- 關(guān)鍵字： 意法半導(dǎo)體 嵌入式 AI 機(jī)器學(xué)習(xí)
聯(lián)發(fā)科芯片設(shè)計(jì) 導(dǎo)入機(jī)器學(xué)習(xí)
- 聯(lián)發(fā)科長(zhǎng)期投入前瞻領(lǐng)域研究，近期再傳突破性成果。聯(lián)發(fā)科宣布，將機(jī)器學(xué)習(xí)導(dǎo)入芯片設(shè)計(jì)，運(yùn)用強(qiáng)化學(xué)習(xí)（reinforcement learning）讓機(jī)器透過自我不斷探索和學(xué)習(xí)，預(yù)測(cè)出芯片中最佳電路區(qū)塊的位置（location）與形狀（shape），將大幅縮短開發(fā)時(shí)間并建構(gòu)更強(qiáng)大性能的芯片，成為改變游戲規(guī)則的重大突破。聯(lián)發(fā)科表示，該技術(shù)將于11月于臺(tái)灣舉辦的IEEE亞洲固態(tài)電路研討會(huì)A-SSCC（Asian Solid-State Circuits Conference）發(fā)表，同步也將申請(qǐng)國(guó)際專利。聯(lián)發(fā)科指出
- 關(guān)鍵字： 聯(lián)發(fā)科 芯片設(shè)計(jì) 機(jī)器學(xué)習(xí)
移動(dòng)算法 而非巨量數(shù)據(jù)
- 機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)步使我們能夠處理越來越大量?jī)?chǔ)存資料。傳統(tǒng)方法是將數(shù)據(jù)傳輸?shù)剿惴ㄔO(shè)備，但是這種移動(dòng)巨量數(shù)據(jù)（高達(dá) 1 PB）以供可能只有幾十兆位元算法來進(jìn)行處理真的有意義嗎？因此，在靠近數(shù)據(jù)儲(chǔ)存位置處理數(shù)據(jù)的想法引起了很多關(guān)注。本文研究了計(jì)算儲(chǔ)存理論和實(shí)踐，以及如何使用計(jì)算儲(chǔ)存處理器 (CSP) 為許多計(jì)算密集型任務(wù)提供硬件加速和更高性能，而不會(huì)給主機(jī)處理器帶來大量負(fù)擔(dān)。數(shù)據(jù)集崛起近年來，神經(jīng)網(wǎng)絡(luò)算法在汽車、工業(yè)、安全和消費(fèi)等應(yīng)用中使用顯著增加。基于邊緣物聯(lián)網(wǎng)傳感器通常只處理少量數(shù)據(jù)，因此所使用算法占用很
- 關(guān)鍵字： ?機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)集
安富利：在機(jī)器學(xué)習(xí)中取得領(lǐng)先地位
- 機(jī)器學(xué)習(xí)是改變世界的最新技術(shù)。過去配合云端使用的算法現(xiàn)在已經(jīng)擴(kuò)展到邊緣運(yùn)算。應(yīng)用包括了監(jiān)控、先進(jìn)駕駛輔助系統(tǒng)ADAS、機(jī)器人和數(shù)據(jù)中心。開發(fā)人員正在尋找可快速及輕松地部署復(fù)雜系統(tǒng)的方法。 對(duì)于邊緣網(wǎng)絡(luò)上的機(jī)器學(xué)習(xí)，Xilinx提供了延遲、功耗、成本、靈活性、可擴(kuò)展性和上市時(shí)間之間的最佳權(quán)衡。其軟件定義的系統(tǒng)單芯片(SDSoC)允許無縫整合硬件和軟件、自動(dòng)化內(nèi)存分配、快取管理、DMA和裝置互動(dòng)。SDx開發(fā)環(huán)境為項(xiàng)目建立，模擬，執(zhí)行和除錯(cuò)提供了通用的基礎(chǔ)架構(gòu)，讓不同的嵌入式系統(tǒng)可輕松實(shí)行。 其結(jié)果是更
- 關(guān)鍵字： 機(jī)器學(xué)習(xí) Xilinx
安富利:物聯(lián)網(wǎng)和機(jī)器學(xué)習(xí)(ML)協(xié)同開發(fā)
- 物聯(lián)網(wǎng)裝置和支持ML的裝置日益成為我們?nèi)粘Ｉ钪械囊徊糠帧ｋS著這些裝置進(jìn)入智能住宅中，就需要更多的專業(yè)知識(shí)來進(jìn)行建構(gòu)和開發(fā)。ROS是一個(gè)開放原始碼的機(jī)器人開發(fā)平臺(tái)，使機(jī)器人技術(shù)的開發(fā)可以協(xié)作。與ROS整合的TurtleBot3在SLAM（同步定位與地圖構(gòu)建）、導(dǎo)航和操控中具備核心技術(shù)，所以適合在家庭服務(wù)機(jī)器人應(yīng)用中使用。 與TurtleBot3整合的Ultra96上的ROS具有多項(xiàng)功能，所以適用于物聯(lián)網(wǎng)裝置中的應(yīng)用。除了配備Xilinx MPSOC開發(fā)板Ultra96（Cortex A53、R5）之
- 關(guān)鍵字： 物聯(lián)網(wǎng) 機(jī)器學(xué)習(xí)
?機(jī)器學(xué)習(xí)介紹
您好，目前還沒有人創(chuàng)建詞條?機(jī)器學(xué)習(xí)!
歡迎您創(chuàng)建該詞條，闡述對(duì)?機(jī)器學(xué)習(xí)的理解，并與今后在此搜索?機(jī)器學(xué)習(xí)的朋友們分享。 創(chuàng)建詞條
歡迎您創(chuàng)建該詞條，闡述對(duì)?機(jī)器學(xué)習(xí)的理解，并與今后在此搜索?機(jī)器學(xué)習(xí)的朋友們分享。 創(chuàng)建詞條
?機(jī)器學(xué)習(xí)相關(guān)帖子
?機(jī)器學(xué)習(xí)資料下載
?機(jī)器學(xué)習(xí)專欄文章
關(guān)于我們 -
廣告服務(wù) -
企業(yè)會(huì)員服務(wù) -
網(wǎng)站地圖 -
聯(lián)系我們 -
征稿 -
友情鏈接 -
手機(jī)EEPW
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產(chǎn)品世界》雜志社 版權(quán)所有 北京東曉國(guó)際技術(shù)信息咨詢有限公司
京ICP備12027778號(hào)-2 北京市公安局備案：1101082052 京公網(wǎng)安備11010802012473
Copyright ?2000-2015 ELECTRONIC ENGINEERING & PRODUCT WORLD. All rights reserved.
《電子產(chǎn)品世界》雜志社 版權(quán)所有 北京東曉國(guó)際技術(shù)信息咨詢有限公司
京ICP備12027778號(hào)-2 北京市公安局備案：1101082052 京公網(wǎng)安備11010802012473