人工智能 (AI) 是模拟人类智能行为的技术。它用于创建计算机或系统中的软件，旨在感知环境、作出决策并采取动作。构建成功的 AI 系统时，需要了解整个工作流，而不仅仅是训练 AI 模型。
针对您的人工智能应用选择深度学习算法还是机器学习算法，取决于您的系统的目标和要求。
传统的机器学习方法支持训练各种分类器，例如支持向量机 (SVM) 和决策树。机器学习方法还可用于优化特征提取。您可以通过组合不同方法来确定数据的最佳排列方式。
深度学习是机器学习的一种特殊形式，用于自动从数据中提取相关特征。相比经典机器学习模型，深度学习网络通常具有更强的预测能力，并且随着训练数据规模的增大，其准确度也会提高。
不妨尝试各种机器学习算法，以找到最适合您的模型的算法。
无论您选择的是机器学习还是深度学习，您都需要能够尝试各种算法，然后决定哪种算法最适合您的应用和需求。
继续探索此主题
数据驱动的 AI
数据是大多数人工智能应用的核心。在开展 AI 相关的工作时，您很可能需要花费大量时间来获取原始数据，并利用其构建准确而有意义的模型。数据准备需要领域专业知识来了解数据的关键特征，哪些特征不重要，以及要考虑哪些罕见事件。
数据准备和获取标注数据通常既繁琐又耗时。该过程可能包括用合成数据和更多样本来增强数据集，但工程师应考虑通过自动执行标注来更快地获取干净的标注数据。
AI 建模
成功构建 AI 模型的两个关键因素如下：
- 选择一组算法：您关注的是机器学习还是深度学习？如果您能从一整套算法和预置模型入手，则意味着您已经先人一步，因为您充分利用了人工智能界丰硕的工作成果，而不用从零开始。
- 对模型进行迭代：在这个阶段，您需要确定最佳参数集，以获得最稳健、最准确的模型。创建准确的模型需要花费一定时间。幸运的是，增加更多硬件（例如在一个或多个 GPU 上运行）可以显著缩短使用参数、输入数据和层的各种组合来训练模型的时间。
AI 设计中的仿真
AI 模型通常存在于大型复杂系统中。例如，在自动驾驶系统中，用于感知的人工智能必须与定位和路径规划的算法以及制动、加速和其他组件的控制相集成。这些部分共同构成了一个完整的系统。诸如此类的复杂 AI 驱动型系统需要集成和仿真。
结合实例了解 AI：利用机器学习检测宝马汽车的过度转向
人工智能用于复杂的机器人系统的不同组件。
仿真就是将所有这些部分结合起来的方法。它可以用于验证各部分是否正确地协同工作。通过仿真，您不仅可确保在任何情况下结果和反应都符合您的预期，而且还可以在将模型部署到硬件之前验证模型能否正常工作。
继续探索此主题
人工智能的实际应用
由于许多应用都使用人工智能，因此存在各种部署需求，例如车辆中的 ECU、化工厂中的边缘系统，以及从多个位置接收数据的基于云的流系统。人工智能可以应用于这些系统的任何部分，因此，您的模型需要能够在任何可能的平台上部署和工作。
- 采集数据：快速对接不同数据采集硬件，组织大量数据，或在可用的训练数据有限时生成合成数据。
- 预处理和标注数据：通过预处理和标注 App，更快地构建更好的数据集。使用 MATLAB® 中的低代码 App 和内置函数来提高数据质量并自动标注真值。
- 可视化决策：使用可解释性方法并验证 AI 模型的稳健性，以获得对 AI 决策的信任。LIME、Shapley 和 Grad-CAM 等方法可以在 MATLAB 中直接使用，因此您不必手动编写函数。
- 仿真：将 AI 模型集成到 Simulink 中，以将人工智能功能直接纳入复杂系统中。通过这种集成，工程师能够在整个系统中对人工智能进行仿真，然后将模型部署到生产环境中。
- 部署到边缘设备：自动生成代码并部署到您的设备，以识别和消除编码错误。MATLAB 可自动为您的特定目标硬件生成代码，以便您可以将模型集成到企业系统、集群和云或嵌入式硬件中。
工程师和科学家是领域专家，他们的专业知识和见解对 AI 项目的成功至关重要。MATLAB 使工程师和科学家能够在其专业领域中使用人工智能，并实现不同行业的团队和组织之间的协作。
MATLAB 实现深度学习
了解 MATLAB 针对深度学习提供的支持。
教程和示例
MATLAB 实现人工智能快速入门。
