与机器学习的融合——利用机器学习推进SDN的发展
在如今信息爆炸的时代,有很多企业,团体利用机器学习技术在各个领域都取得了一定的成就。比如Amazon,淘宝这类电商网站使用的基于推荐算法的推荐系统;Google翻译等机器翻译系统所用的深度学习,NLP技术等。 SDN出现的一个原因之一,是对灵活性的需求,那么,机器学习又能为SDN带来什么?
机器学习要解决什么?
机器学习,是人工智能中与算法紧密相关的一个领域,目的是让机器不断地像人类一般学习,对输入的数据进行判断,认知乃至预测未来的数据。
机器学习,对于诸如金融领域的欺诈侦测,监控领域的机器视觉,经济领域的市场优化,股票分析中都有重要意义。
简单地举一个例子:邮政系统中的手写识别。不同的人,写同样的字有无数种写法。但是邮政系统是不可能100%依靠人力去处理信件,这样很蠢,效率很低。因此,邮政系统有必要引入基于机器的处理手段,目前的手段就是基于机器学习的手写识别系统。现在是一个到处都充斥着海量数据的时代,随着IoT的进一步发展和大量传感器的使用,必定会产生大量数据,机器学习的首要任务就是从这些海量数据中发掘出有利的部分。
机器学习算法有哪些?
如果从学习方式来说,机器学习算法可以分为无监督学习、监督学习,半监督学习和强化学习。一般的监督学习算法都必须通过输入数据进行训练,训练是这类算法的使用中的比较重要的过程。使用时,监督学习算法需要构建一个学习过程,将预测结果和训练数据的结果进行比较,并不断调整模型,去达到一个预期的准确率。监督学习算法具体代表有刚才说到的k邻近算法,还有决策树、神经网络等。无监督学习更具有挑战性。无监督学习中,输入的数据并不像之前的kNN算法中一般已经被标识,无监督学习算法就是要从无标识的数据中推断出数据中的一些内在结构,简单地说就是找规律。 无监督学习算法主要用在聚类等方面。具体代表有kmeans算法,PCA等算法。半监督学习是前两种的结合,它利用少量已经标识的样本和大量未标识的样本进行训练和分类。它会先对未标识的数据进行建模,再在此基础上对已经标识的数据进行预测。具体代表有图论算法,半监督支持向量机SVMs等。强化学习主要运用在机器人控制之类的控制系统上。输入的数据会刺激模型并使模型做出反应,不像监督学习,输入的数据只用来检查模型对错,输入的数据直接反馈到模型,要求模型必须对此立即做出调整。 具体的代表有Q-Learning和 Temporal difference learning 与机器学习相关的还有个相当有趣的遗传算法,又称进化算法。通过借鉴进化论的一种启发式搜索算法。这个算法就是把要解决的问题模拟成生物进化的过程,通过交叉、变异、复制等产生下一代的解,淘汰适应度底的个体,留下适应度高的个体。遗传算法可以用在游戏中的AI,比如被玩家射击时会自动闪避,会根据玩家的行为做出反应,与玩家对抗。
与物联网的融合——SDN助力物联网往更高更远迈进物联网,作为一股技术潮流,拥有非凡的潜力,尽管如今有很多对物联网的炒作,但仍低估了其经济影响力。物联网,看上去和SDN关系不大,但是,在笔者看来,两者的结合绝对会推动物联网的进一步发展。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !