源于实践的 6 大 AI 应用方向

AI 技术蕴藏的巨大可能使我们在不经意间忽略了一个简单的事实：将多种机器学习算法用于一个系统的不同部分，就能构成我们所说的 AI。以下幻灯片将介绍可以使用 AI 完成的六项基本任务，以及相关示例与常见算法。这些任务用到了强化学习、深度学习和传统机器学习方法，同时也是许多现代 AI 应用的基石。

应用：改善图像分辨率、音频信号去噪、创建增强图像

输入：图像和信号数据

常见算法：LSTM、CNN、VDSR 神经网络

示例：执行图像间的域转换。白天/黄昏图像转换示例使用了无监督的图像到图像转换网络。

应用：带有目标检测的高级驾驶辅助系统 (ADAS)、语义分割、机器人、图像识别计算机视觉感知、活动检测、语音生物识别（声纹）、关键词检测、智能设备

输入：图像、视频、信号

常见算法：CNN 和 YOLO、聚类、Viola-Jones

示例：对街道图像中的所有像素进行分类。使用深度学习进行语义分割示例使用了 Deeplab v3+ [1] CNN。

应用：控制系统、制造机器人、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

常见算法：强化学习、人工神经网络 (ANN)、CNN、循环神经网络 (RNN)

示例：进行路径规划以确定前往目的地的最佳可能路线。GitHub 上的弹球游戏 (Pong) 示例使用了强化学习。

应用：预测性维护、金融交易

输入：传感器数据、带时间戳的金融数据、数值数据

常见算法：线性回归、决策树、支持向量机 (SVM)、神经网络

示例：使用来自电机的实时传感器数据预测旋转机械的剩余使用寿命。基于相似性的剩余使用寿命估计示例使用了线性回归。

应用：生成故障数据、增大训练集、进行音频增强试验

输入：图像、信号以及文本数据

常见算法：GAN、自编码器

示例：使用现有数据创建全新类型的花卉图像。训练生成对抗网络示例使用了一个包含两个网络的 GAN，一个生成器 (Generator) 用于创建图像，另一个判别器 (Discriminator) 将图像分类为“真实”或“生成”。

应用：安全记录、市场或医疗研究、情绪分析、网络安全、文档摘要、推荐系统的自然语言处理

输入：流式文本数据、静态文本数据

常见算法：RNN、线性回归、SVM、朴素贝叶斯、隐含狄利克雷分布 (LDA)、潜在语义分析、word2vec

示例：确定文本数据中出现了多少主题。使用主题模型分析文本数据示例使用了 LDA 主题模型。

通过免费的 2 小时教程，学习如何借助 MATLAB 运用这些方法。