中文 英语
知识中心
导航
知识中心

机器学习(ML)

一种对机器进行训练,使其倾向于基本行为和结果,而不是明确地编程来执行某些任务的方法。这将导致硬件和软件的优化,以实现可预测的结果范围。
受欢迎程度

描述

机器学习有很多种形式,对不同的人来说通常意味着不同的事情。一般来说,算法可以用来改变系统的功能,以提高性能、降低功耗,或者简单地用新的用例更新系统。这种学习可以应用于软件、固件、IP块、完整的SoC或具有多个SoC的集成设备。

机器学习和深度学习一样,包括两个独立的阶段。第一个阶段是训练阶段,包括微调算法以产生所需的结果范围。第二种是推理,训练数据被用来提供一个可接受的刺激反应范围。例如,一旦一台机器经过训练,可以识别一个人以及他们移动的方向和速度,它就可以确定自动驾驶汽车等电子系统是否会撞到他们。然后,车辆可以停下来等待,也可以在人周围移动,这取决于训练算法中可用的选项。

机器学习可以用于优化从IP到复杂系统的所有硬件和软件,其基础是什么在什么条件下最有效的知识库。无论涉及多少种可能性,这种方法都能保证一定程度的结果。如果存在不符合模式的异常,这种方法也可以提供帮助,因为机器学习系统可以忽略这些异常。

机器可以被教的想法可以追溯到摩尔定律提出前近20年。这一领域的工作始于20世纪40年代末,基于早期的计算机工作,即识别数据中的模式,然后根据这些数据进行预测。

机器学习的应用范围很广。最底层是一些普通的任务,比如垃圾邮件过滤。但机器学习还包括在各种工业应用中对已知用例进行更复杂的编程,以及可以区分一个物体和另一个物体的高度复杂的图像识别系统。

Arthur Samuel是机器学习领域的先驱之一,早在20世纪40年代末,他就开始尝试让机器从经验中学习的可能性——创造出可以做超出它们明确编程所能做的事情的设备。他最著名的作品是他在IBM工作时开发的跳棋游戏程序。它被广泛认为是机器学习的第一个实现。

从那时起,机器学习取得了显著的进步。西洋跳棋已经被国际象棋、危险边缘和围棋等更难的游戏所取代。最近,它可以成功地用于赢得具有巨大状态空间的复杂策略计算机游戏,如星际争霸。


多媒体

ML中的数学与工程桥接

多媒体

使用ML打破筒仓

多媒体

理解ML指标

多媒体

ML推理在边缘

多媒体

机器学习在半设计中的实际应用

多媒体

如何提高ML功耗/性能

多媒体

多媒体

多媒体


相关的人


相关的实体


相关技术

Baidu