机器学习：机器如何变得智能
了解神经网络的类型、机器学习的含义以及如何在视觉系统中使用这一原理。
神经网络是机器视觉的未来吗？
在我们的白皮书中，Peter Behringer和Florian Hoppe博士解释了神经网络的基础知识和训练方式，详细介绍必要的准备工作，并解释构建神经网络的步骤。
CNN的开发过程
知识迁移（迁移学习）
CNN处理器
机器和神经网络如何进行学习？
“计算机无需事先经过编程即可做出决策和预测”。在不了解情况的人听来，这句话可能极具超前意识，但这项技术在企业界早已司空见惯，在私营部门也有很多应用实例。毕竟，您信赖的流媒体服务提供商总是知道哪部电视剧、电影或音乐最适合您的口味。
该系统背后是一个神经网络，它是由您的使用行为训练而成。无论是用于个人电视收看还是高度复杂的视觉系统，每个通过机器学习训练出来的神经网络都遵循这一原理：
即要为计算机提供大量的输入数据。在这些训练数据的基础上，机器会不断学习，逐步形成神经网络。这个神经网络就是对数据进行处理的地方，以便提供充足的输出。
binning有多少种类型？
虽然这个顺序不会改变，但是处理训练数据的方法有几种：
监督型学习：算法会同时接收问题和相应的答案。通过学习这些数据，只需正确分配新问题即可。
无监督型学习：算法只接收问题，并学习如何识别数据中的模式和结构。将数据正确分组后，就可以进行聚类分析等操作。
强化型学习：系统会与环境互动，错误的行为会受到惩罚，而正确的行为则会得到强化，以便通过试错来学习理想的做法。
由于神经网络是算法的核心，它对系统的成功有重大贡献，因此神经网络的训练非常重要。在开发机器学习和打造数据库方面，Google（谷歌）、Microsoft（微软）和IBM等大型公司均投入了巨额资金，这个现象绝非偶然。Google甚至对自有的TensorFlow数据库进行开源，使得该数据库不仅可以公开访问，而且还在不断得到进一步的开发。
关注神经网络
神经网络是一种高度复杂的结构，其设计旨在不断接近我们的大脑结构。通过大量数据的训练，神经网络中会形成越来越多的连接，从而在执行所需的任务时使算法的表现变得越来越好。根据不同的应用领域，各项任务以及其对神经网络的要求也不尽相同。
深度神经网络方案：DNN
由多个层次组成的神经网络也被简称为DNN，它属于深度学习的范畴。深度神经网络(DNN)始终具有一个输入层、多个隐藏层和一个输出层。隐藏层之间会相互学习，并始终使用从上一层获得的输出结果。这使得DNN能够识别复杂的模式和相关性。但反过来，它需要借助大量数据才能提供高质量的结果。DNN中存在许多隐藏层，求解路径并不透明，因此对输出结果的解释往往比较复杂。尽管如此，DNN能够理解复杂的关系并处理大量数据，所以它仍然是分类或模式识别的热门之选。
卷积神经网络：CNN
这种方法常用于图像处理和解析，因为它特别擅长于识别和评估空间特征。借助这种机器学习方式就可以在3D和2D空间中解读图像。与深度神经网络(DNN)一样，卷积神经网络(CNN)也具有多个层次。CNN会在这几个层次中对图像进行像素级评估。在卷积层，该网络会搜索像素的形状和模式是否相匹配。其后总会紧随一个池化层，它负责再次简化图像，只保留最重要的图像成分。经过这些层次的不断重复处理，结果会变得越来越精确。在输出层，CNN会判断刚刚“看到”的是哪种物体。要想获得正确的结果，也必须向CNN输入大量的图像数据。
生成对抗网络：GAN
对于这种机器学习类型，可以说该网络能够独立进行学习。相关数据并非来自数据库，而是通过两个网络之间“相互竞争”产生的。这个体系中总是让一个网络负责生成，另一个网络负责判别。负责生成的网络提供真实示例并生成示例，而负责判别的网络必须对其进行评估和鉴别。每运行一次，两个网络都会有所改进并相互学习。最终，负责生成的网络可以生成非常真实的示例。GAN的重点并不在于解释，而在于生成数据，这也是它与CNN和DNN的不同之处。
如果没有机器学习，人类在解读数据方面就会达到能力极限。为了处理不断增长的数据集，神经网络正在许多行业中为我们接管评估和解释工作：
适用于机器人的物体和图像识别应用
适用于监控系统的生物面部识别应用
适用于自动驾驶车辆的预警系统
自动翻译工具
仓储自动化领域。
因此，我们可以回答这样一个问题：“什么是机器学习？”。它不具备什么功能？毕竟，在社会的各个领域中，人工智能和机器学习的话题几乎已经无处不在，其中包括您所使用的视觉系统。不妨让我们为您提供建议，并通过个性化的会议详细了解Basler如何从机器学习方法中受益。
