机器学习:概述.2
机器学习(ML)是一个吸引了大量兴趣的新兴领域, 但并没有得到很好的理解. 这篇博文扩展了之前发表的博文中讨论的观点。机器学习:概述.1，以常见问题解答的形式概述了机器学习的原理和应用. 在为泰党.2, 我们提供了为什么以及何时应该使用机器学习的见解, 机器学习算法是如何训练的, 以及AEC领域的潜在应用领域.
我为什么要使用机器学习?
考虑ML的主要好处是它可以应用于各种各样的问题. 应用程序可以包括基本任务，如简单的公司活动, 以及高度复杂的任务，比如识别和预测趋势. 使用ML的任务示例包括:
- 员工招聘查看简历，筛选候选人.
- 财务状况:匹配发票的自然语言处理.
- 预见性维护:预测和检测基础设施中的异常情况，以防止中断.g. 混凝土桥的状况).
- 产品推荐:使用购买记录向消费者推荐产品.
- 计算机视觉:识别和分类图像和视频中的对象.
什么时候应该使用ML?
何时使用ML的问题很复杂, 因为开发机器学习解决方案需要大量的时间和资源投资. 为了开发能够创造价值的机器学习解决方案，应该提出以下问题. 如果以下任何一个问题的答案是“否”, 机器学习不太可能产生显著的好处:
- 你对必须解决的问题有很好的理解吗?
- 你要解决的问题是一个反复出现的问题吗? 这是一个可扩展和/或可转移的问题吗?
- 机器学习是否有望节省大量的时间和/或资源?
- 是否有一个大的数据集来训练软件? 如果数据集不容易获得，是否相对容易获得合适的数据集?
如何“训练”机器学习软件?
机器学习算法可以被看作是一个学习新任务的人. 起初, 一个人通过培训学习如何完成任务，然后, 通过执行任务, 这个人获得了经验. 这种经历使人有能力完成更复杂的任务, 更快速有效地完成任务. 同样，机器学习算法必须通过提供大量数据来训练. 然后机器学习算法人工地“学习”如何完成任务, 这使得它能够“理解”如何完成类似的任务. 训练ML算法的四种主要方法如下:
- 监督式学习: 该算法给出了输入和相应的正确输出(i.e. “带安全标签的数据”). 然后，算法根据实际输出和正确的给定输出对自己进行校准. 例子:信用卡欺诈行为.
- Semi-supervised学习: 该算法混合使用标记数据和未标记数据进行训练.e. 正确输出和错误输出的混合), 算法必须找出“正确”的答案. 这通常用于获取标记数据的成本很高的情况. 示例:分类、回归和预测.
- 无监督学习: 该算法给定未标记的数据，必须自己识别数据中的趋势. 示例:产品推荐算法.
- 强化学习: 通过尝试和错误，算法学习哪些动作产生最佳结果. 例子:机器人、导航和电子游戏ai.
在使用机器学习之前我应该考虑什么?
对所需数据和要使用ML解决的问题有充分的了解, 应考虑下列项目:
- 为了解决问题而采用的适当类型的算法(回归), 决策树, 聚类, 等.).
- 要使用的算法训练类型. 这在很大程度上取决于可用的数据集, 以及使用的算法类型, 因为某些类型的算法需要更多的数据, 而另一些则需要非常高质量的数据(例如.e. 数据中没有异常值或“噪声”).
- 数据集中不同参数之间的预期相关性和预期输出(i.e. 在机器学习算法运行之后，你认为数据之间的关系会是什么样子? 这与您期望的人类用户使用非ml方法的结果不同吗?)
如何在架构中应用机器学习, 工程, 和建筑(AEC)部门?
情报:
- 一般业务操作:招聘、财务、机会跟踪.
- 交通分析:交通路线，信号定时，延迟/旅行时间预测.
建筑:
- 智能建筑平台:能源使用预测, 供暖和照明自动化, 系统异常检测.
- 动态建筑围护结构设计:跟踪空气, 水, 热光, 以及噪音在建筑内部环境和外部环境之间的传递.
基础设施:
- 调查:数据收集、处理和分析.
- 潜在发展地点的识别:物业价值预测, 土地利用模式, 开发应用程序.
