一、機器學習可拓展物聯(lián)網(wǎng)范疇

　　已經(jīng)有很多例子來展示機器學習如何與特定的小物件相關(guān)聯(lián)，這些小工具引起了對物聯(lián)網(wǎng)的最大注意，不僅移動設備，而且自動駕駛汽車和智能城市、工廠也可以從機器學習中受益。由于物聯(lián)網(wǎng)的產(chǎn)品和服務通過采用機器學習策略使其生產(chǎn)成本更低，易于上市和消費，更多的消費者將涌入其中，并在全球范圍內(nèi)進一步擴大覆蓋范圍。

　　人工智能的時代有爭議，但并沒有達到像好萊塢的末日預測那樣的境況，它也確確實實地改變了這個世界。在未來的一二十年內(nèi)，隨著數(shù)十億臺設備的普及，這些算法和給企業(yè)和消費者帶來的成本削減的進步將使機器學習變得更加不可或缺。隨著越來越多的人在社交媒體平臺上注冊、登錄，購買智能設備并使用自動駕駛汽車通勤，物聯(lián)網(wǎng)對社會的影響甚至控制將會在機器學習的奇妙世界中變得更強大。

　　二、如何利用好機器學習

　　通常我身邊的工程師在進行相關(guān)設計的時候有一個慣性的思維，先采集一大堆的數(shù)據(jù)然后用工具分析特征和生成模型，之后通過大量的數(shù)據(jù)采集來實現(xiàn)模型的修正和完善，這種方式應該也是很多設計人員通常的思路，而且一般的情況下要求硬件采集設備盡可能的提供多種參數(shù)，這樣可以豐富算法模型的輸入?yún)?shù)，理論上可以更好地接近實際的結(jié)果，在純技術(shù)的角度上這個是可行的，而且隨著樣本量的增加，采用機器學習的思路，最終的模型和算法會越來越精確。

　　這樣的設計方法對于已有理想樣本或是可以很容易獲取樣本數(shù)據(jù)的前提下是非常高效的，但是如果已有樣本不是很理想，存在大量干擾成分，樣本數(shù)據(jù)受人為因素或者必須由人工采集獲取數(shù)據(jù)時，傳統(tǒng)的方法就沒有太大優(yōu)勢了。這個時候需要對數(shù)據(jù)進行預處理和必要的分析，需要確定幾個問題：

　　1、預先確定幾個需要研究的參數(shù)，選擇參數(shù)時需要有一定的依據(jù)和相關(guān)性，拿紅外信號輸出信號分析舉例，可以從公開的資料中知道紅外傳感器會受到溫度和光譜范圍的影響導致輸出曲線的變化，那么溫度和光譜范圍就是需要研究的參數(shù)。

　　2、確定了參數(shù)之后，先不要對所有參數(shù)進行樣本數(shù)據(jù)采樣，而是針對單一參數(shù)進行數(shù)據(jù)采樣，徹底明確單一參數(shù)對于最終結(jié)果的影響程度，也就是權(quán)重，用函數(shù)關(guān)系表示即：Y = F(X), Y為結(jié)果，X為樣本數(shù)據(jù)參數(shù)，數(shù)據(jù)處理過程包括平滑、篩選、剔除、插入等基本操作，也就是預處理過程，之后可以生成基本的函數(shù)關(guān)系或?qū)φ毡恚瑸楹罄m(xù)的大模型的建立提供數(shù)據(jù)支持。

　　3、將每種數(shù)據(jù)參數(shù)的影響程度量化之后，我們就獲取了所有的參數(shù)對照表和函數(shù)對應關(guān)系，利用這些已有的結(jié)果建立整個算法模型和框架結(jié)構(gòu)，在模型中將每種數(shù)據(jù)的權(quán)重設計好，最終形成一個初步的機器學習模式。

　　4、在實現(xiàn)了以上三步之后，我們最終可以通過大數(shù)據(jù)樣本的采集來實現(xiàn)整個機器學習模型的完善，最終實現(xiàn)之前制定的目標。