西門子代理商 秦皇島西門子代理商 秦皇島西門子代理商

生物的學習系統(tǒng)隨處可見，從只有300個左右神經(jīng)元的低級蛔蟲（秀麗隱桿線蟲），到有兩千億個神經(jīng)元的成年大象的大腦，比比皆是。無論是在果蠅、蟑螂、黑猩猩或海豚體內(nèi)，所有的神經(jīng)元所做的事情都是一樣的：處理并傳遞信息。所有生物做這些事情的原因也是*的：避免危險，使物種地生存并繁衍，所有的生物必須能感知環(huán)境，并做出相應(yīng)的反應(yīng)，記住那些是危險信號，哪些是有益的信號。簡言之，無論對單個個體還是整個物種，學習都是其在自然界生存的必要條件。然而，這一鐵的規(guī)律也越來越適用于人造系統(tǒng)。

Volker Tresp博士是西門子機器研究領(lǐng)域內(nèi)的資深權(quán)威人士，也是慕尼黑大學的電腦科學教授。他說，學習有三種：記憶（如，記住事實的能力）、技能（如，學習如何投球的能力）和抽象能力（如，從大量觀察中得出規(guī)律的能力）。電腦是*個領(lǐng)域內(nèi)的高手，但目前正在另外兩個領(lǐng)域內(nèi)迅速地趕超。例如，可以毫厘不差地生產(chǎn)出厚度均勻且平整的鋼板——西門子20多年來一直在這個領(lǐng)域處于*地位。Tresp說，“在這里，較簡單的模式就是先給出預測，然后去檢驗產(chǎn)出品是否符合規(guī)格要。求。如，首先明確對高級鋼板產(chǎn)成品的要求，自動軋鋼廠結(jié)合傳感器提供的數(shù)據(jù)（成分、帶鋼溫度等），在已有信息的基礎(chǔ)上，估算所需的壓力。根據(jù)產(chǎn)出品數(shù)據(jù)相應(yīng)地進行實時調(diào)整，最終慢慢地算出正確的壓力，并產(chǎn)出符合厚度要求的鋼板。“以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的學習系統(tǒng)中，” Tresp解釋，“可以通過調(diào)整影響既定參數(shù)（如厚度）的全部因素的權(quán)重矩陣來實現(xiàn)這種調(diào)節(jié)的目標。”

除記憶和改進技能的能力外，人造系統(tǒng)正逐漸被用來進行概括或抽象個體的特點，以此來判斷它是否屬于某一個群體。光學字符識別（OCR）就是一個例子，它以前是用來高速掃描并分揀信件的。該技術(shù)約在1985年初次面世，與那時相比，現(xiàn)在其精確度已經(jīng)有了驚人的提高，識別范圍也已從單個數(shù)字提高到95%以上手寫拉丁字母及90%以上阿拉伯語手寫體。其實，早在2007年，西門子ARTread學習系統(tǒng)就曾經(jīng)榮獲文檔分析與識別國際會議組織的阿拉伯語光學字符識別（OCR）比賽*名。由于光學字符識別技術(shù)的高度可靠性，它已經(jīng)開始被逐漸應(yīng)用到諸如車牌自動識別和工業(yè)視覺中（如需了解更多信息，請參閱第67頁）。

機器學習能力將會如何發(fā)展呢？顯而易見的是，隨著感應(yīng)器在能源和數(shù)字方面的大規(guī)模應(yīng)用，可以很容易地通過本地和信息網(wǎng)絡(luò)獲得更多數(shù)據(jù)，機器學習發(fā)展的前景十分廣闊。網(wǎng)絡(luò)環(huán)境下的學習應(yīng)用主要體現(xiàn)在兩個大型項目中。*個是Theseus項目，西門子主導MEDICO技術(shù)，該項目主要是從圖像和文本中提取語義信息，促成各種新的應(yīng)用程序來改善醫(yī)生的工作流程。第二個項目是歐盟的大規(guī)模知識加速器項目（LarKC），研發(fā)可伸縮查詢、推理能力和鍵連資料的機器學習方法。“能夠和鍵連資料一起學習，” Tresp說，“這才是今天最令人激動的地方！”

Arthur F. Pease

以神經(jīng)系統(tǒng)為基礎(chǔ)的學習體系（1）基于輸入的信息（2）根據(jù)為期14天的培訓對未來7天的氣體需求做出預測（3）。
學習通過對部分學習（5）和*訓練（6）的隨機權(quán)重組合（4）在三個片段中得到反映。
以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的系統(tǒng)有能力處理大量的輸入數(shù)據(jù)，并調(diào)整最終的輸出成果。為實現(xiàn)這一點，這種系統(tǒng)必須建立起一種數(shù)學模型來復制現(xiàn)實世界中相應(yīng)的實物。這種模型本質(zhì)上是一種決策單元的集合。從整體角度來看，可以通過矩陣形式來反映決策單元。取決于應(yīng)用程序的復雜程度，可能要求數(shù)百個互動矩陣。
起初，決策單元之間的互動是隨機的。那么，當系統(tǒng)開始進入學習階段，其錯誤率——預期和實際觀察到的結(jié)果之間的差異——很高（4）。和真實的結(jié)果相比較后，錯誤率會被反饋到每個矩陣中（箭頭向右指向每個方框），然后就開始調(diào)整每個決策單元在內(nèi)部的權(quán)重，避免隨機出現(xiàn)，并根據(jù)已學到的信息去修正每個輸入?yún)?shù)（箭頭從每個方框指向左側(cè)）。
每次這樣的往復都在不斷減少錯誤率，最后，在上千次這樣的信息往復以后，系統(tǒng)就慢慢學會了如何描述完整的輸入信息流，結(jié)果就是*復制（6）——并最終預測——現(xiàn)實世界的行為。