开始
让你自己跟上我们介绍内容的速度。
更智能的物联网应用包含了机器学习
数据过载！许多IOT应用程序会产生如此多的数据，即在时间内不会人类分析和行动。
数据科学家分析大量数据，以确定物联网系统应如何响应的模式和规则。然而，事情发生了变化，新的因素出现了，这些因素影响着采取什么样的正确行动。您如何确保您的物联网系统在不断变化的环境中进化，并选择最佳响应?
”机器学习让计算机在没有明确编程的情况下有学习的能力，这样它们就可以创造算法可以从数据中学习并做出预测”，这可能是提出的答案亚瑟塞缪尔。
有时你只需要一点帮助。
为一个简单的物联网应用定义规则——比如在发动机过热时关闭发动机——是相当简单的。识别几十个传感器输入和外部因素之间的相关性要困难得多。考虑这样一个用例，您必须根据自动售货机报告的销售、库存水平、当地天气预报、当地事件和促销广告活动的传感器数据，决定何时派遣一辆卡车来补充自动售货机。猜错或送错了供应品，你就会因为没有足够的正确供应品让自动售货机出售而损失销售额。
现在的大多数领先的IOT平台（包括Azure，IBM Watson，Splunk，AWS和Google）现在提供机器学习功能。这使IOT系统能够分析传感器数据，查找相关性并确定要采取的最佳响应。系统连续检查，看看其预测如何工作，并保持炼制其自己的算法。有两种主要类型的机器学习：
- 监督学习指基于一组示例开发一个算法。例如，一个简单的用例可能是每天按产品分类的销售记录。该算法建立了每种产品每天可能售出的数量之间的相关性。这些信息有助于决定何时派卡车向自动售货机补充货物。
- 无监督学习不提供具有标签（如销售/日）的系统来分析。相反，它介绍了分析的所有数据，这使系统识别不太明显的相关性;例如，价格折扣，当地活动和天气都影响自动售货机的销售，并且需要考虑到确定补货日程。
许多公司从手工定义其物联网系统要遵循的业务规则开始。然后他们开始添加基于机器学习的规则，因为他们收集了更多关于其他外部影响因素的数据和信息。
机器学习系统的资源：
如果您认为将机器学习应用于IOT，请高级，查看Kaytranada的精彩新视频看看有一天机器最终会学会做什么!
所有IoT Agenda网络贡献者都对其帖子的内容和准确性负责。意见是作者的，不一定传达物联网议程的想法。