Cómo utilizar el aprendizaje automático para predecir cuándo se extinguirá la exageración sobre el aprendizaje automático

a medida que IoT abarca todos los segmentos de la industria en todo el mundo, el llamado ‘aprendizaje automático’ crecerá directamente proporcional a IoT. en los días previos a la IoT, se capturaron datos de sensores de una manera; miles de sensores en datos de islas de sensores aislados fueron empujados hacia la llamada “gran empresa de datos” para el análisis posterior. entonces, esos datos se utilizarían en algún lugar del camino. El problema con este enfoque es que cuanto más tiempo viven los datos capturados en el servidor, se pierde el valor comercial de esos mismos datos.

ingrese al IoT, ahora, la intención original era crear una ‘calle de dos vías’ y tratar los datos lo más cerca posible del punto de medición. esto significa más trabajo realizado no solo para monitorear los procesos externos, sino también para controlarlos.

Las redes basadas en IoT difieren en muchos aspectos de las PC en que literalmente puede haber miles de nodos de dispositivos que están haciendo lo suyo.

teniendo en cuenta lo anterior y la pregunta original, uno tendría que definir qué es en realidad “bombo”. ¿Esto es para decir sí / no? ¿Las máquinas están haciendo el trabajo que están haciendo y si pueden o no ser ‘flash programadas’ en el campo? Por lo tanto, el aprendizaje es el comportamiento que el dispositivo tiene cuando se está utilizando.

Entonces, como ejemplo, el dispositivo de IoT en el campo está tomando los datos del sensor y enviándolos a los transductores. El dispositivo IoT como controlador se ‘sintoniza’ dinámicamente, en tiempo real, y en respuesta a las entradas que están cambiando.
Esta tecnología en sí misma, a saber, los sistemas de control automático o de retroalimentación ha existido desde la década de 1940. Originalmente para control de cohetes de crucero.

ejemplo moderno
entras en el ascensor y quieres ir del piso 1 al piso 2.
Usted no quiere que el viaje sea demasiado rápido ya que esto sería incómodo.
Tampoco quieres que el viaje sea demasiado lento.
existe lo que se conoce como la ‘respuesta crítica’ que reacciona de una manera que el sistema es capaz de hacer.

Lo mismo se puede aplicar al termostato de su hogar y encender / apagar la calefacción según la entrada o el control de crucero de su automóvil.

defina ambos usando una ecuación diferencial y luego divida los elementos en software / hardware para administrarlos

podría ser que el proceso requiera cambios sustanciales y que los asociados
el firmware para el controlador, AKA, la planta, requiere cambios o actualizaciones (siempre que siga las prácticas de diseño de POO), entonces se está produciendo el ‘aprendizaje automático’.

Si fuera tan amable de proporcionar un estudio de caso sobre el tipo de problemas en los que está trabajando para requerir la detección de exageraciones, sería informativo determinar qué tipo de entregas requiere su sistema.

Sí tu puedes. Sin embargo, predecir con éxito la disminución de las exageraciones sería bastante exagerado, independientemente de su predicción, lo que demuestra que predecir la disminución de las exageraciones es imposible o predeciría que la exageración no se extinguirá pronto. Occam’s Razor nos dice que escojamos el modelo más simple, también conocida como esta respuesta.

La exageración sobre el aprendizaje automático puede disminuir solo en el mismo sentido que la exageración en internet, la exageración sobre las computadoras o la exageración sobre la electricidad. El aprendizaje automático será reconocido como una parte importante de la vida / economía, en un futuro previsible.

Sí tu puedes. Simplemente lea un libro como, por ejemplo, relacionado con la teoría de control automático, busque los no lineales altamente complicados. Luego, adopte dicho conocimiento sobre una base de fraude en el campo de destino como entrada, y déjelo como datos de entrada, verá que es un Exponente en el proceso del tiempo. En pocas palabras, el bombo probablemente nunca termine, pero disminuirá significativamente después de alguna renovación en el campo de la teoría