未来PM2.5监测也要众包了？UCLA发明可监测PM2.5质量的手持机器学习设备

加州大学洛杉矶分校（UCLA）The Ozcan Research Group的研究人员发现了一种高性价比方式检测空气质量的方法。具体来说，他们发明了一个叫C-Air的移动设备，该设备使用可连接到智能手机的显微镜头，并借助机器学习算法来分析和确定其在空气中检测到的污染物的尺寸和浓度，由于这种设备可随身携带，从而可以让研究人员更方便地在任何地方以更准确和经济的方式检测空气中的危险颗粒物质。

空气动力学当量直径在2.5微米以下的颗粒物（即PM2.5）已被世界卫生组织（WHO）列为致癌物质。根据WHO的统计，世界每年因空气污染导致死亡的人数高达700万人，因而如何便捷地检测空气质量至关重要。

C-Air重量约590克，配备空气取样器和小巧精致的显微镜头，30秒内可对6.5升空气进行采样分析，并通过机器学习算法产生尺寸和分析的空气中颗粒的图像。该设备通过智能手机发送图像至远程计算机服务器进行分析，据研究人员介绍，由于应用了机器学习，该装置比其他检测器更快速适应检测如不同品种的霉菌和花粉等PM2.5颗粒。

据雷锋网了解，在美国，空气质量检测通常在空气采样站进行，并由美国环境保护局（EPA）监管。目前空气采样站使用的设施成本约在5万到10万美元之间，而且使用繁琐，需要技术人员定期进行维护。虽然市面上也有一些成本相对低廉的的便携式粒子计数器（价格在1,000到2,000美元不等），但它们既不能对高通量空气样本进行采样，精确度也大成问题。目前C-Air的成本略低于传统的大型设备，不仅具备大型设备的准确分析功能，还具备相当好的便携性。

（基于机器学习，该设备准确率在93％左右）

UCLA电气工程与生物工程学院校长兼加州纳米系统研究所副所长Aydogan Ozcan称：“让更多人掌握这种具备实验室质量的空气检测设备，可以收集和分析来自更多地点的高质量数据，这样会有助于帮助政府制定更好的政策和法规来改善空气质量。“

Aydogan Ozcan及其研究生Yichen Wu为首的学生团队在2016年在南加州的多个地点使用C-Air进行了空气质量的检测。例如，他们在2016年9月在洛杉矶国际机场附近检测发现，在飞机着陆飞行路线附近PM2.5浓度显著提高，即便在5英里外，这种PM2.5的提升也相当明显。

本文作者：岑大师 本文转自雷锋网禁止二次转载，原文链接
边缘AI新方法TinyML，超低功耗，存储占用KB计，在边缘设备上进行机器学习 在资源受限设备上运行机器学习模型的能力为许多新的可能性打开了大门。AI 的发展可能使标准机器学习更加节能，有助于减少人们对数据科学影响环境的担忧。此外，TinyML 允许嵌入式设备被赋予基于数据驱动算法的新智能，这些算法可以用于从预防性维护到森林中的鸟叫声检测等任何方面。
iNeuOS 物联网云操作系统2.0发布，集成设备容器、视图建模、机器学习三大模块 概述... 2 使命及目标... 3 系统框架... 4 设备容器（iNeuKernel）... 4 第三方数据导入接口... 9 视图建模（iNeuView）... 10 机器学习（iNeuAI）... 11 征集需求... 13 iNeuOS物联网云操作系统（i：代表信息和工业，Neu：代表神经元和细胞，OS：代表操作系统），这是我们起名字时候的想法。
【翻译】Sklearn与TensorFlow机器学习实用指南 ——第12章 设备和服务器上的分布式TensorFlow（上） 在第 11 章，我们讨论了几种可以明显加速训练的技术：更好的权重初始化，批量标准化，复杂的优化器等等。 但是，即使采用了所有这些技术，在具有单个 CPU 的单台机器上训练大型神经网络可能需要几天甚至几周的时间。
【翻译】Sklearn与TensorFlow机器学习实用指南 ——第12章 设备和服务器上的分布式TensorFlow（下） 当 TensorFlow 运行图时，它首先找出需要求值的节点列表，然后计算每个节点有多少依赖关系。 然后 TensorFlow 开始求值具有零依赖关系的节点（即源节点）。 如果这些节点被放置在不同的设备上，它们显然会被并行求值。
python机器学习数据建模与分析——数据预测与预测建模 机器学习的预测建模在多个领域都具有重要的应用价值，包括个性化推荐、商品搜索、自动驾驶、人脸识别等。本篇文章将带领大家了解什么是预测建模
python机器学习——朴素贝叶斯算法笔记详细记录 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
python机器学习课程——决策树全网最详解超详细笔记附代码 决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。决策树算法构造决策
python机器学习数据建模与分析——决策树详解及可视化案例 你是否玩过二十个问题的游戏，游戏的规则很简单:参与游戏的一方在脑海里想某个事物，其他参与者向他提问题，只允许提20个问题，问题的答案也只能用对或错回答。问问题的人通过推断分解，逐步缩小待猜测事物的范围。决策树的工作原理与20个问题类似，用户输人一系列数据，然后给出游戏的答案。我们经常使用决策树处理分类问题,近来的调查表明决策树也是最经常使用的数据挖掘算法。它之所以如此流行，一个很重要的原因就是使用者基本上不用了解机器学习算法，也不用深究它是如何工作的。