一、機器學習可拓展物聯網范疇

　　已經有很多例子來展示機器學習如何與特定的小物件相關聯，這些小工具引起了對物聯網的最大注意，不僅移動設備，而且自動駕駛汽車和智能城市、工廠也可以從機器學習中受益。由于物聯網的產品和服務通過采用機器學習策略使其生產成本更低，易于上市和消費，更多的消費者將涌入其中，并在全球范圍內進一步擴大覆蓋范圍。

　　人工智能的時代有爭議，但并沒有達到像好萊塢的末日預測那樣的境況，它也確確實實地改變了這個世界。在未來的一二十年內，隨著數十億臺設備的普及，這些算法和給企業和消費者帶來的成本削減的進步將使機器學習變得更加不可或缺。隨著越來越多的人在社交媒體平臺上注冊、登錄，購買智能設備并使用自動駕駛汽車通勤，物聯網對社會的影響甚至控制將會在機器學習的奇妙世界中變得更強大。

　　二、如何利用好機器學習

　　通常我身邊的工程師在進行相關設計的時候有一個慣性的思維，先采集一大堆的數據然后用工具分析特征和生成模型，之后通過大量的數據采集來實現模型的修正和完善，這種方式應該也是很多設計人員通常的思路，而且一般的情況下要求硬件采集設備盡可能的提供多種參數，這樣可以豐富算法模型的輸入參數，理論上可以更好地接近實際的結果，在純技術的角度上這個是可行的，而且隨著樣本量的增加，采用機器學習的思路，最終的模型和算法會越來越精確。

　　這樣的設計方法對于已有理想樣本或是可以很容易獲取樣本數據的前提下是非常高效的，但是如果已有樣本不是很理想，存在大量干擾成分，樣本數據受人為因素或者必須由人工采集獲取數據時，傳統的方法就沒有太大優勢了。這個時候需要對數據進行預處理和必要的分析，需要確定幾個問題：

　　1、預先確定幾個需要研究的參數，選擇參數時需要有一定的依據和相關性，拿紅外信號輸出信號分析舉例，可以從公開的資料中知道紅外傳感器會受到溫度和光譜范圍的影響導致輸出曲線的變化，那么溫度和光譜范圍就是需要研究的參數。

　　2、確定了參數之后，先不要對所有參數進行樣本數據采樣，而是針對單一參數進行數據采樣，徹底明確單一參數對于最終結果的影響程度，也就是權重，用函數關系表示即：Y = F(X), Y為結果，X為樣本數據參數，數據處理過程包括平滑、篩選、剔除、插入等基本操作，也就是預處理過程，之后可以生成基本的函數關系或對照表，為后續的大模型的建立提供數據支持。

　　3、將每種數據參數的影響程度量化之后，我們就獲取了所有的參數對照表和函數對應關系，利用這些已有的結果建立整個算法模型和框架結構，在模型中將每種數據的權重設計好，最終形成一個初步的機器學習模式。

　　4、在實現了以上三步之后，我們最終可以通過大數據樣本的采集來實現整個機器學習模型的完善，最終實現之前制定的目標。