大数据的未来

<正>大数据应用所带来的价值已经让我们为之兴奋,不过,这并不是大数据应用所爆发出来的最大能量。事实上,目前我们所看到的大数据应用,更多的是对历史数据和一些消费者行为数据进行分析,这样固然能够帮助企业在管理、运营以及营销方面得到提升,但大数据应用的更大价值,并没有得到完全的体现。     

预测是为了更好地创造未来

过去一年,云计算、移动互联网、大数据、物联网、社交网络等的兴起,使得IT产业进入了一个十分活跃的时期。这些新技术、新模式的逐步普及,给整个IT产业甚至全行业都带来了巨大的冲击和变革。可以看到,在短短几年甚至一两年内,很多产业都在上演着格局的变化和更替。在这种情况下,对于未来的预测就显得更有必要、也更有价值。管理大师德鲁克曾经说过,预测未来的最     

斯坦福大学公开课：机器学习课程——Open Stanford Course Engineering Everywhere-MachineLearning

随着"智能制造"概念的普及,人工智能技术的研究与应用变的越来越被人们关注。人工智能在制造中的运用已经成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。机器学习无疑是最有希望实现这个"智能"的研究方向之一。斯坦福大学的"Stanford Engineering Everywhere"免费提供学校里最受欢迎的工科课程给全世界的学生和教育工作者。得益于这个项目,我们有机会和全世界站在同一个数量级的知识起跑线上。     

基于手机加速度器和螺旋仪的室内运动状态分类

实现了使用安卓手机内置的传感器-加速度器和螺旋仪对使用者的运动数据进行收集,并进行特征选择,通过机器学习的算法进行室内运动状态的分类.分类的运动状态有静止、走路、坐下、上楼、下楼、电梯上行、电梯下行、摔倒、帕金森抖动.使用了监督式学习算法:决策树、随机森林、支持向量机、神经网络、朴素贝叶斯、KNN、逻辑回归等算法,并且进行分类效果对比.实验结果表明,加速度器和螺旋仪一起收集数据比只用单个最后分类精度要高.对加速度器和螺旋仪收集数据进行特征选择完后的原始数据,决策树算法得到了97.54％的分类精确率.而原始数据取完中位数后精度下降了.根据用户的运动状态,制定规则进行奖励和惩罚.     

《Technology Review》评出2008年十大新兴技术

美国麻省理工的技术评论杂志《Technology Review》最近评出了2008年将可能改变我们生活的十大新兴技术：1突发事件建模（Modeling Surprise）：将洞察人类心理的大量数据结合起来,让机器学习（machine learning）就能帮助人类管理突发事件。     

知识获取技术及其在网络智能故障诊断中的应用

基于遗传算法提出了一种新型的机器学习方法,它利用遗传算法的全局寻优手段,为解决知识获取这一瓶颈问题另辟捷径。论述了该方法的原理及其实现过程,并且给出了网络故障诊断应用实例,证明了它的有效性。     

迎接挑战,推动智能机器人的发展中科院自动化所乔红教授专访

乔红教授是2004年8月回国的中科院百人计划研究员、博导、教授，在此之前，她在英国著名的曼彻斯特大学（Manchester University）拥有永久教职。乔红教授任IEEE Transactions on SMC（B）副主编，《自动化学报》副主编，2001、2002及2003 IEEE机器人和自动化国际年会（IEEE International Conference on Robotics and Automation）的组委会成员。乔红教授的研究方向主要是智能机器人和机器学习理论与应用。     

基于机器学习的思政教学资源共享模型设计

由于资源库更新慢、优质教学资源推广不及时,教学资源共享发展严重滞后。为此,提出基于机器学习的思政教学资源共享模型设计方案。利用机器学习中的聚类算法将各类资源分类整理,同时以基础层、环境层和应用层3个模块组建教学资源共享模型,形成易于查找的数据集合。在接收到用户的检索需求后,执行图形用户界面程序,并通过用户接口将结果反馈给用户,凭借功能模块实现教学资源的管理、共享和发布。通过对应用共享模型实际应用效果进行调查,结果表明所提模型对思政教学资源共享具有积极的促进作用。     

基于机器学习的可视化数学建模系统设计

随着社会的飞速发展,数据时代正式到来,人们在生活和工作中每天需要接触大量的数据信息,但绝大多数是依靠视觉系统接收的。良好的可视化可以帮助人们更好地理解隐藏在数据背后的信息,探索数据之间的规律。然而,随着计算机行业的快速发展,数据模型变得越来越复杂。由于视觉算法的存在,人们在重视机器学习算法自身优化的同时,却忽略了优化算法输出的结果,无法清晰地看到算法的运行过程。因此,文章基于机器学习,对于可视化数学建模系统的设计进行了重点分析。     

基于随机森林的系统性能指标贡献率评估

针对系统性能评估结果,分析各类指标在本次评估中的贡献率,是系统实现有针对性优化改进的重要基础。基于随机森林算法中的变量重要性测量(Variable Importance Measure,VIM),面向指标体系与评估结果值构建随机森林模型,设计实现一种系统性能指标贡献率评估方法,完成系统性能评价中指标重要程度排序。仿真结果表明,该方法可以精准快速地选取对系统评估结果影响较大的指标,从而为系统性能的提升提供理论支撑。