在下述的內容中，小編將會對機器學習的相關消息予以報道，如果機器學習是您想要了解的焦點之一，不妨和小編共同閱讀這篇文章哦。

一、機器學習可對地震進行檢測

國際著名學術期刊《自然》最新發(fā)表一篇地球科學論文，研究人員開展的一項研究顯示，一個機器學習模型可以對大型地震的演化進行準確的實時估測，這個經(jīng)過訓練的機器學習模型能測定以光速傳播的重力變化信號。

該論文介紹，對地震的監(jiān)測一般需要測定地震波，地震波是在地殼中傳播的能量脈沖。然而，基于地震波的預警系統(tǒng)有時候反應太慢，無法在大型地震(矩震級8或以上)發(fā)生的當下準確估算地震規(guī)模。有一種解決辦法是追蹤即時彈性重力信號(prompt elastogravity signals，PEGS)，這種信號以光速傳播，由巖體突然錯動導致重力變化而產(chǎn)生。不過，PEGS是否能用來對大型地震出現(xiàn)后的方位和發(fā)展做出快速可靠的實時估算，一直有待驗證。

論文通訊作者、法國蔚藍海岸大學、蔚藍海岸天文臺、法國發(fā)展研究院和法國國家科學研究中心的安德里亞·利西亞迪(Andrea Licciardi)及同事和國際同行合作，在日本1400個潛在地震位置模擬了35萬個地震情景，并利用PEGS信號訓練了一個稱為PEGSNet的深度學習模型。之后，他們又用2011年日本東北大地震的實時數(shù)據(jù)測試了這個模型，2011年日本東北大地震是迄今有記錄的規(guī)模最大、破壞力最強的地震之一。研究團隊發(fā)現(xiàn)，PEGSNet能準確計算地震方位、地震規(guī)模，以及地震隨時間的變化。重要的是，PEGSNet能快速給出以上信息，在地震波達到達前就做出判斷。

論文作者總結表示，PEGSNet在大型地震及其演化(從地表破裂到可能出現(xiàn)的相關海嘯)的早期監(jiān)測方面或能發(fā)揮重要作用。雖然這個模型主要針對日本，但該模型也能很好地適用于其他地區(qū)，只需很小的調整就能實時使用這一策略。

二、自動化機器學習

近來經(jīng)常看到的自動化機器學習又是什么呢，機器不就是在自動化的學習嗎?要理解這個還需對人工智能算法研究有一個簡單的概念。機器學習的技術非常復雜，機器學習的研發(fā)項目比傳統(tǒng)的開發(fā)項目復雜很多，一個簡單的項目，周期也要幾周到幾個月的時間，實際企業(yè)中的項目即便是有一個比較成熟的團隊，一般也要幾個月到半年、一年的時間這都很正常。機器學習項目的最大不確定性在于不知道多長時間后才能達到設定的目標，就是模型能夠真正可用。否則就無法實際商用，不能形成銷售收入。模型無法達到目標精度很大程度是因為算法很難對最后效果進行一個準確的預測，所以我們采用迭代式的改進方法，就是不斷的把開發(fā)過程重復，等最后模型做出來之后，分析模型結果，分析模型性能，然后進一步改進算法，在整個迭代過程中很多步驟都必須重新做，導致開發(fā)效率比較低。風險更高的是很多人工智能項目即便投入大量時間，投入大量人力之后還是會失敗。來自權威機構Gartner的統(tǒng)計，60%的人工智能項目都以失敗告終。

據(jù)它的調查顯示，人工智能項目失敗有兩種原因：一方面，技術要求不達標，如很多人工智能項目中機器學習算法最后的準確度不夠好;另一方面，項目進展緩慢，部分項目實施時時間越來越長，但是進展不明顯，雖然有進展，但是距離項目目標很遠?？赡苁枪こ痰脑?，也可能是算法的原因。大部分企業(yè)對人工智能投入還是有限的，到一定程度還沒有進展，或者成本開銷過大，都會被叫停，最后導致項目失敗。項目失敗的事情，即便在有豐富經(jīng)驗的人工智能團隊的公司里，也會經(jīng)常發(fā)生，因為進展不夠快。

上述所有信息便是小編這次為大家推薦的內容，希望大家能夠喜歡，想了解更多有關它的信息或者其它內容，請關注我們網(wǎng)站哦。