<template>
<div id="search-wrapper">
<div>
<input style="width:500px;"
id="search_input"
ref="autocomplete"
placeholder="Search"
class="search-location"
onfocus="value = ''"
v-on:keyup.enter="displayPic"
@onclick="displayPic"
>
<img style="width:500px;;margin:5%;" :src="pic" >
</div>
</div>
</template>
<script>
import VueGoogleAutocomplete from "vue-google-autocomplete";
export default {
data: function() {
return {
search_input: {},
pic:""
};
},
mounted() {
this.autocomplete = new google.maps.places.Autocomplete(
this.$refs.autocomplete,
{componentRestrictions: {country: "us"}}
);
},
methods: {
displayPic: function(){
this.autocomplete.addListener("place_changed", () => {
let place = this.autocomplete.getPlace();
if (place.photos) {
place.photos.forEach(photo => {
this.pic=place.photos[0].getUrl()
});
}
})
},
}
}
</script>
Поскольку вы задаете этот очень простой вопрос, похоже, стоит указать, что такое машинное обучение.
Машинное обучение - это класс алгоритмов, которые управляются данными, т.е. «алгоритмы - это данные, которые« говорят », что такое« хороший ответ ». Пример: гипотетический алгоритм без машинного обучения для обнаружения лиц на изображениях будет пытаться определить, что такое лицо (круглый диск цвета кожи, с темной областью там, где вы ожидаете глаз и т. Д.). Алгоритм машинного обучения не будет иметь такого закодированного определения, но будет «учиться на примерах»: вы покажете несколько изображений лиц, а не лиц, и хороший алгоритм в конечном итоге научится и сможет предсказать, действительно ли невидимое изображение - это лицо.
Этот конкретный пример обнаружения лиц контролируется , что означает, что ваши примеры должны быть помечены или явно указывать, какие из них являются лицами, а какие нет.
В неконтролируемом алгоритме ваши примеры не помечены , т.е. вы ничего не говорите. Конечно, в таком случае сам алгоритм не может "изобрести", что такое лицо, но он может попытаться кластеризовать данные в разные группы, например, он может отличить лица от пейзажей, которые сильно отличаются от лошадей.
Поскольку это упоминается в другом ответе (хотя и неверно): существуют «промежуточные» формы наблюдения, то есть полу-контролируемое и активное обучение ]. Технически, это контролируемые методы, в которых есть какой-то «умный» способ избежать большого количества помеченных примеров. При активном обучении алгоритм сам решает, какую вещь вы должны маркировать (например, он может быть уверен в ландшафте и лошади, но может попросить вас подтвердить, действительно ли горилла является изображением лица). В полууправляемом обучении есть два разных алгоритма, которые начинаются с помеченных примеров, а затем «рассказывают» друг другу, как они думают о большом количестве немаркированных данных. Из этого «обсуждения» они учатся.
но он может попросить вас подтвердить, действительно ли горилла является изображением лица). В полууправляемом обучении есть два разных алгоритма, которые начинаются с помеченных примеров, а затем «рассказывают» друг другу, как они думают о большом количестве немаркированных данных. Из этого «обсуждения» они учатся. но он может попросить вас подтвердить, действительно ли горилла является изображением лица). В полууправляемом обучении есть два разных алгоритма, которые начинаются с помеченных примеров, а затем «рассказывают» друг другу, как они думают о большом количестве немаркированных данных. Из этого «обсуждения» они учатся.Машинное обучение - это сфера, в которой вы пытаетесь создать машину, которая имитирует поведение человека.
Вы тренируете машину, как ребенок. То, как люди учатся, распознают особенности, распознают закономерности и тренируются, точно так же, как вы тренируете машину, предоставляя данные с различными функциями. Машинный алгоритм идентифицирует шаблон в данных и классифицирует его по определенной категории.
Машинное обучение широко подразделяется на две категории: контролируемое и неконтролируемое обучение.
Контролируемое обучение - это концепция, в которой у вас есть входной вектор / данные с соответствующим целевым значением (выход). С другой стороны, неконтролируемое обучение - это концепция, в которой у вас есть только входные векторы / данные без какого-либо соответствующего целевого значения.
Примером обучения под наблюдением является распознавание рукописных цифр, когда у вас есть изображение цифр с соответствующей цифрой [0-9], а примером обучения без учителя является группировка покупателей по покупательскому поведению.
Обучение с учителем - это когда данные, которыми вы скармливаете свой алгоритм, «помечены» или «помечены», чтобы помочь вашей логике принимать решения.
Пример: байесовская фильтрация спама, где вы должны пометить элемент как спам для уточнения результатов.
Неконтролируемое обучение - это типы алгоритмов, которые пытаются найти корреляции без каких-либо внешних входных данных, кроме необработанных данных.
Пример: алгоритмы кластеризации интеллектуального анализа данных.
Приложения, в которых обучающие данные содержат примеры входных векторов вместе с соответствующими им целевыми векторами, известны как задачи обучения с учителем.
В других случаях В задачах распознавания образов обучающие данные состоят из набора входных векторов x без каких-либо соответствующих целевых значений. Целью таких задач неконтролируемого обучения может быть обнаружение групп похожих примеров в данных, где это называется кластеризацией
Распознавание образов и машинное обучение (Bishop, 2006)
Я вижу, что вы используете платформу MPMediaPlayer, однако обработка микрофона осуществляется с помощью инфраструктуры AVAudioPlayer, которую вам нужно будет добавить в свой проект.
Яблоко'
Я всегда находил различие между обучением без учителя и обучением с учителем произвольным и немного сбивающим с толку. Между этими двумя случаями нет реального различия, вместо этого существует ряд ситуаций, в которых алгоритм может иметь более или менее «контроль». Существование полууправляемого обучения - очевидный пример, когда грань размыта.
Я склонен думать, что супервизия дает алгоритму обратную связь о том, какие решения следует предпочесть. Для традиционной контролируемой настройки, такой как обнаружение спама, вы говорите алгоритму «не допускайте ошибок в обучающей выборке» ; для традиционной неконтролируемой настройки, такой как кластеризация, вы говорите алгоритму «точки, которые расположены близко друг к другу, должны находиться в одном кластере» .