人工智能已經(jīng)存在了相當長的一段時間，無論是真實的還是科幻小說的。真正的人工智能，在當今許多嵌入式應用程序中都很有用的人工智能，大約在十年前以完整形式出現(xiàn)。人工智能使用的早期例子包括語音和其他聲音識別，以及最低水平的自動駕駛。

隨著這些進步，機器學習（ML）應運而生，它是AI的一個子集。從高層次來看，人工智能通常解決需要人類智能的任務。或者，ML 通過從數(shù)據(jù)中學習并進行預測來解決特定任務。

出于嵌入式計算空間的目的，ML的定義涉及使用數(shù)據(jù)和算法來逐步提高嵌入式計算機的準確性。使用統(tǒng)計方法，訓練算法進行預測，并找到與使用中的設備相關的關鍵見解。根據(jù)應用程序、用戶、環(huán)境和其他參數(shù)，這些見解可用于動態(tài)驅(qū)動應用程序內(nèi)的決策。

機器學習算法通常使用加速解決方案開發(fā)的框架創(chuàng)建，例如TensorFlow和PyTorch。在過去幾年中，此類框架越來越受歡迎。

將深度學習添加到列表中

有時也可以與機器學習互換使用的術語是深度學習。你可以說 ML 和深度學習是同義詞，因為深度學習也是 AI 的一個子集。深度學習和機器學習的不同之處在于每種算法“學習”的方式。深度學習受到的約束更大，因為它通常使用預定義的數(shù)據(jù)進行操作。不是為了進一步攪渾水，但深度學習也有能力改變這些預定義的數(shù)據(jù)集，從而消除人為干預（和人為錯誤）。有些人將深度學習稱為可擴展的機器學習。

傳統(tǒng)的機器學習更依賴于人為干預來學習，因為由人類決定算法使用的特征集。在大多數(shù)情況下，“學習”需要更多的結構化數(shù)據(jù)。

機器學習的組成部分

機器學習過程的主要部分包括決策過程、誤差函數(shù)和優(yōu)化周期。在決策過程中，機器學習算法首先根據(jù)迄今為止收到的數(shù)據(jù)進行預測。誤差函數(shù)評估該預測。隨著時間的推移，有更多的例子可以依靠，從而提高準確性。評估后，在可能的地方進行優(yōu)化。算法應不斷重復評估過程，并不斷優(yōu)化已創(chuàng)建的模型。

與機器學習準確性相關的最大挑戰(zhàn)與用于創(chuàng)建和評估模型的數(shù)據(jù)有關。這些問題可能是由于缺乏數(shù)據(jù)、數(shù)據(jù)質(zhì)量差以及與手頭任務無關的數(shù)據(jù)引起的。這些問題應該會隨著時間的推移而自行解決，但在機器學習過程開始時，重要的是要注意不正確的決定。

機器學習可以成為工業(yè)應用的福音，而使用 ITX-P-C444 工業(yè) Pico-ITX SBC 可以輕松實現(xiàn)。

能夠處理機器學習應用程序的兩個SBC的例子是WINSYSTEMS的ITX-P-C444和COMeT10-3900。讓我們從ITX-P-C444工業(yè)Pico-ITX板開始，它基于恩智浦的i.MX8M應用處理器。第二個CPU，一個Arm M4內(nèi)核，用于處理數(shù)字標牌、工業(yè)自動化、能源和樓宇自動化等應用的實時任務，所有這些領域都在利用機器學習。處理能力與廣泛的 I/O 選項相結合，包括雙以太網(wǎng)和 USB 2.0 和 3.1 端口。

WINSYSTEMS的COMeT10-3900是一款低功耗工業(yè)COM Express Type 10迷你模塊，采用英特爾的Atom E3900 SoC處理器，完全能夠?qū)崿F(xiàn)機器學習。

英特爾凌動 E3900 處理器為 COMeT10-3900 工業(yè) SBC 提供智能。它符合COM Express Type 10 Mini模塊外形。這種低功耗模塊設計為處理器夾層，可插入包含用戶特定 I/O 要求的載板上。因此，設計人員只獲得應用程序所需的特性和功能。這也展示了COM的靈活性，特別是在處理器選項和可升級性方面。

審核編輯：郭婷