机器人通过什么得到信息的，机器人存在吗

如果你想到顶级的信息技术，你可能不会想到美国的邮政快递服务。但事实上，很少有领域如此依赖机器人学习的发展。

美国邮政快递系统软件每天需要解决5亿封电子邮件，这是一个令人震惊的数据。如果地球上70亿人每人发送一封信或一个包，美国邮政快递可以在两周内进行。虽然每封电子邮件的位置必须正确表达，但它们可以按时进行。对于打印详细地址，很容易将日常任务授权委托给设备。写详细地址很难解决，但美国邮政快递已经开发了一款优秀的文字识别系统软件，表达详细地址的准确性达到98%。这封电子邮件包括你的医生写的节日生日卡。你祖母给当地国会立法委员的信。你6岁女儿给动物园的信规定了工作室里的新生儿梅花鹿。

还有2%的电子邮件机无法载入详细地址。你该怎么办?他们将被送往盐湖城的一栋大中型邮政快递办公楼。在那里，权威专家将详细地址分为33个列车，每天24小时，每周7天表达无法识别的详细地址。更快的员工每小时可以解决1800多个详细地址。换句话说，一封电子邮件可以在大约2秒内解决!速度令人震惊。

当一些必须区分和思考的日常任务时，人们的干预是不可替代的。在这个阶段，设备无法与人们相比，以识别虚假新闻。讽刺和幽默。众所周知，电子计算机阅读文章的详细地址相对简单。数据分类(例如，区分打印的数据是1.2或3)是机器人学习算法的经典应用软件。

电子计算机是如何实现这一点的?首先，收集一组练习数据信息。我们收集了许多标有0.1.2..9的手写数字(无数图像)。在大多数情况下，计算机学习和工作能力的唯一限制是是否可以找到高质量的标志来练习设备。幸运的是，美国邮政服务公司多年前建立了一组合适的标志手写数字。它被称为MNIST，即美国国家行业标准和技术研究办公室手写数据库查询的改进版，包括7引马镇下图中的手写数字照片。

那么，优化算法是如何看到图像的呢?如果没有做过机器视觉练习，可能会觉得这太难以置信了。

电子计算机以排水矩阵的形式存储图像。排水矩阵可以被认为是一个由列和行组成的表。表格中的每个表格都包含一个数据。为了更容易考虑，假设图像是黑色和白色的。如果表格为灰黑色，值为0;否则，值为1。

已知图像是机器人学习算法的培训数据信息。有足够的培训数据信息和不正确的定量分析方法，您可以教授电子计算机敌人写的进行分类。为了更好地评估设备的学习情况，我们展示了数据测试——它从未见过的数据信息。，解决数据测试是机器人学习算法的一个重要环节。

优化算法通常可以根据记忆中的所有数据信息点和所有特性对所有练习数据信息进行最终分类。对于手写数字，设备可以记住每个清晰度的值和准确的部分。从培训数据信息中选择图像输入，它无疑可以猜测数据。

但这还不够好。来自现实世界的培训数据信息一直很混乱，有时是由自己的写作风格造成的，有时是由于扫描仪图像质量差造成的，有时图像标志不正确，或图像立即来自不正确的数据。因为要记住这种噪音，当电子计算机被规定为不属于实践数据的新图像和标志时，就会出现问题。如果将实践数据交换为数据测试，电子计算机和标志的准确性显著降低，则表明实体模型可能存在多重共线问题。多重共线是将噪声分类为相关信息，这也是机器人学习的难点。

当生物学家创建一个实体模型来预测和分析大行星的部分时，他们并没有对每个大行星的每个部分进行分类，而是确认了可以预测未来部分的重要物理定律。机器人学习的不便是开发和设计一个广泛的优化算法，换句话说，开发和设计的优化算法可以应用所学的常识来识别从未见过的实体模型。

为了更好地掌握设备如何识别模式和预测分析，让我们来看看一个只包括深棕色点和浅色点的例子。但你可以把它看作是一个数据，根据各种健康指数来区分患者是否患有尿毒症。假设你想明确提出一个标准来估计一个新的点(不属于数据)是浅色还是深棕色。目前的100点是人们的培训数据信息。大多数深棕色点在顶部，大多数浅色点在底部，所以你可能会试图画一个交界线来分离深棕色点和浅色点。

为了防止多重共线性，我们可以尝试一个更简单的实体模型。我们使用平行线作为交界线，看看效果如何。虽然平行线对许多数据来说可能太简单了，但在这种情况下，可以使用平行线来回应你的想法。这种简单的实体模型有缺点——所有平行线都不能将深棕色点和浅色点分开，但我们可以找到一个，将不正确的分类点操纵在7个深点和10个浅点。

这种更简单的实体模型没有弯曲的交界线，以适当地分类所有点。换句话说，它没有线性拟合练习数据信息。因此，其在测试报告中的性能指标类似于在实践数据信息中的特点。在测试报告中，实体模型错分为6。

这只是任何设计方案的一个小例子，但大多数机器人学习应用程序也会遇到同样的问题。复杂的实体模型可以很好地线性拟合数据信息，但简单的物理模型通常比这些复杂的物理模型更强。技能是掌握简单的水平。如果所选择的物理模型太简单，一些有效的消息就会被忽略。