• “一用一洁”,厦门保洁机器人上岗啦

    厦门首座“自动保洁生态公厕”在环东海域滨海旅游浪漫线二期(翔安段)闽石园投用。该公厕不仅有着“高颜值”,还有不少技术创新之处。据了解,这座生态公厕率先使用了“保洁机器人”,紫外线杀菌消毒契合当下疫情防控要求,可做到“一用一洁”,解决几乎所有垃圾、便污的自动化收集和清洗,实现24小时无人化自动清洁。

  • 什么是可解释性机器学习

    可解释性是指人类能够理解决策原因的程度。机器学习模型的可解释性越高,人们就越容易理解为什么做出某些决定或预测。模型可解释性指对模型内部机制的理解以及对模型结果的理解。其重要性体现在:建模阶段,辅助开发人员理解模型,进行模型的对比选择,必要时优化调整模型;在投入运行阶段,向业务方解释模型的内部机制,对模型结果进行解释。比如基金推荐模型,需要解释:为何为这个用户推荐某支基金。

  • 自动机器学习(AutoML)几个重要方向汇总

    学习器模型中一般有两类参数,一类是可以从数据中学习估计得到,还有一类参数时无法从数据中估计,只能靠人的经验进行设计指定,后者成为超参数。比如,支持向量机里面的C,Kernal,game;朴素贝叶斯里面的alpha等。

  • 什么是自动机器学习

    自动机器学习(AutoML)旨在通过让一些通用步骤(如数据预处理、模型选择和调整超参数)自动化,来简化机器学习中生成模型的过程。AutoML是指尽量不通过人来设定超参数,而是使用某种学习机制,来调节这些超参数。这些学习机制包括传统的贝叶斯优化,进化算法,还有比较新的强化学习。当我们提起AutoML时,我们更多地是说自动化数据准备(即数据的预处理,数据的生成和选择)和模型训练(模型选择和超参数调优)。这个过程的每一步都有非常多的选项,根据我们遇到的问题,需要设定各种不同的选项。

  • 什么是对抗机器学习?为何要对抗机器学习?

    对抗机器学习是一个机器学习与计算机安全的交叉领域。对抗机器学习旨在给恶意环境下的机器学习技术提供安全保障。由于机器学习技术一般研究的是同一个或较为稳定的数据分布,当部署到现实中的时候,由于恶意用户的存在,这种假设并不一定成立。比如研究人员发现,一些精心设计的对抗样本(adversarial example)可以使机器学习模型不能成功地输出正确的结果。针对模型的攻击问题,我们主要分为两大类,就是从训练阶段和推理(inference)阶段来进行讨论。

  • 智能电网是大势所趋,智能电网首要特征介绍!

    以下内容中,小编将对智能电网的相关内容进行着重介绍和阐述,希望本文能帮您增进对智能电网的了解,和小编一起来看看吧。

  • 扫地机器人增速放缓,云鲸业绩也难免下滑?

    在持续了数年的高增长态势之后,扫地机器人行业的增速正逐渐放缓。奥维云网(AVC)的数据显示,2022上半年,扫地机器人的零售额为57.3亿元,同比增长9%,零售量为201万台,同比下滑28.3%。作为对比,在2020年和2021年,扫地机器人的零售额还是双位数增长,而在2022年上半年,不仅销售额增长降至个位数,而且零售量还首次出现了同比下滑,不难发现,扫地机器人行业已陷入了增长困境。行业整体形势不容乐观,即便是号称扫地机器人“黑马”的云鲸也难逃业绩下滑的魔咒。根据市场数据,云鲸在2022年上半年的销售额为3.5亿元,较2021年上半年下降12.9%,呈现负增长态势。

  • 欧菲光前瞻布局扫地机器人,当前最热机器人市场

    随着居民生活水平的提高和科技不断进步,扫地机器人凭借消费升级与懒人经济的融合,深受广大消费者们喜爱,市场需求持续攀升。GfK中怡康测算数据显示,2022年1-8月,中国扫地机器人市场销售额达到69亿元,在整体清洁电器市场中销售额占比高达39%,稳居清洁电器市场榜首,同比增长13%。预计今年全年扫地机器人市场零售额规模可达133亿元,同比增长20.1%。据瑞银预测数据,2025年全球和中国扫地机器人市场规模,将分别达到130亿美元和50亿美元。

  • 机器人是个大赛道,但是盈利甚微,难以落地?

    机器人无疑是大赛道,不过2022年的机器人赛道,个中滋味可能只有从业者最清楚。经历了两年多的狂欢,扫地机器人逐渐告别高增长,根据IDC预测,2022年市场出货量同比下降23.8%,市场压力陡增。相比之下,人形机器人在2022年颇受瞩目,戴森、特斯拉、小米……大佬赶集式布局。不过,重磅亮相之后,两极化的市场反响、对商业前景的质疑,不绝于耳。

  • 奇勃科技用3台扫地机器人布局写字楼清洁项目

    商用清洁机器人创企奇勃科技发布写字楼智慧清洁解决方案,包含全能型写字楼清洁旗舰ONE S55,敏捷型软质地面清洁助力V45、牵引式硬质地面清洁专家H45,这三大产品协同能实现写字楼场景全地面场景覆盖。

  • 什么是生成对抗网络

    生成对抗网络(Generative Adversarial Networks,GAN)是用于无监督学习的机器学习模型,由Ian Goodfellow等人在2014年提出。由神经网络构成判别器和生成器构成,通过一种互相竞争的机制组成的一种学习框架,GAN在深度学习领域掀起了一场革命,这场革命产生了一些重大的技术突破,学术界和工业界都开始接受并欢迎GAN的到来。GAN最厉害的地方是它的学习性质是无监督的,GAN也不需要标记数据,这使得GAN功能强大,因为数据标记的工作非常枯燥。

  • 机器学习的经典代表算法总结(二)

    从1990到2012年,机器学习逐渐走向成熟和应用,在这20多年里机器学习的理论和方法得到了完善和充实,可谓是百花齐放的年代。代表性的重要成果有:支持向量机(SVM,1995)、AdaBoost算法(1997)、循环神经网络和LSTM(1997)、流形学习(2000)、随机森林(2001)。

  • 机器学习的经典代表算法总结(一)

    1980年机器学习作为一支独立的力量登上了历史舞台。在这之后的10年里出现了一些重要的方法和理论,典型的代表是:分类与回归树(CART,1984)、反向传播算法(1986)、卷积神经网络(1989)。

  • 无接触配送降本增效,送餐机器人受到大力欢迎

    疫情之下,送餐机器人及其他无接触式的科技服务迅速发展。而在近期放开后,有部分餐厅反映,当前服务员为食客服务会存在一定风险,于是引用了送餐机器人上场救急,通过无接触服务来完成送物需求。如今,不少拥有连锁餐厅都开始打造智能化,从机器人送餐、智能化服务等多方面运用科技元素。对于餐厅来说,不仅可以节省人工成本,更重要的可以提升效率,并且更好、更安全的服务客人。

  • 真正的无接触配送,智能茶舍也引用送餐机器人了

    近日,东北一家智能茶舍开业,顾客可提前在微信小程序预约到店时间,到店后通过小程序操控开门,茶舍内的空调、电视、音响等设备都可以通过智能机器人,以语音操控的方式开启。店内负责配送的也是机器人,后厨只要触摸屏幕,下达配送任务,机器人就能将茶点送到指定房间。据茶舍负责人介绍,目前店里近七成的配送工作都会交给机器人操作,一台机器人的配送效率堪比2名普通服务员。伴随人们生产生活方式的智慧升级,智能服务机器人爆发已经成为必然。

发布文章