第一次個人作業

課程學習心得

經過了五周的學習，我們對模式識别和機器學習的概念有了基礎的認識，也對基本的幾個分類器有了初步的了解。

模式識别和機器學習，模式識别應用機器學習的結果，對一些問題的情況進行判斷，機器學習就是訓練模型。

感覺這一段時間學到的東西并不多，但是也算打開了一個新的大門，之前一直覺得機器學習，人工智能非常神奇，為啥一個公式就能出結果，現在看來也就是那樣。

距離

主要學了各種距離，用于判斷各種的相似度，諸如餘弦距離，馬氏距離，歐氏距離。

模型評估方法

留出法，K折交叉驗證，留一驗證

模型評估名額

準确度(Accuracy)，精度(Precision)，召回率(Recall)，F-Score，混淆矩陣，PR曲線，ROC曲線

分類器

MED分類器，MICD分類器，MAP分類器，貝葉斯分類器

前沿技術

說到前沿技術，我的确不太了解，畢竟不是專業這個方向的。

目前，物聯網，邊緣計算比較火熱，IoT與人工智能的結合，也逐漸走來。

IoT 應用程式能夠快速響應本地事件，則必須以非常低的延遲獲得推理結果，但這時如果把資料發送至雲端，再等待雲端的推理決策，這個過程就很難滿足一些業務場景的需求。

但是，僅使用雲計算來部署人工智能的方式，與将雲計算與邊緣計算有效結合起來應用人工智能的方式截然不同。資料科學家依靠雲計算來攝取和存儲大量資料集，并識别資料中的模式和關系，在建立模型的整個過程中，訓練和優化機器學習模型需要大量計算資源，是以與雲計算是天然良配。

而實際上，最終的、經過優化的機器學習模型在推理的過程中并不需要太多的資源。是以為了確定 IoT 應用程式以非常低的延遲獲得推理結果，我們就可以把訓練放在雲端，推理放在邊緣側，以達到利用雲端去訓練機器學習模型，利用邊緣裝置實時進行推理，甚至在沒有網際網路的環境中産生資料時，也能實作高速響應業務變化并作出決策。

我覺得，難點主要集中在IoT裝置的資源有限，無法支撐起高性能的計算。

上面就是我了解到的技術。由于對這友善了解不深，很難說出什麼有深度的看法。