ST MEMS传感器内嵌机器学习核心的优势
一旦您熟悉了开发步骤并掌握了机器学习项目中的要点，就能够开发有价值的机器学习应用。此外，意法半导体提供解决方案，以促进边缘机器学习得到广泛应用并发挥全部潜力。本文描述了机器学习项目的必要开发步骤，并介绍了st mems传感器内嵌机器学习核心（mlc）的优势。
我们将向用户介绍特殊机器学习模型——决策树，该模型与机器学习核心一起内嵌在st mems中。
当用户想要在嵌入式系统中使用机器学习或深度学习功能时，通常可按照以下五个步骤进行开发（如下图）。
步骤1
用户需要收集用于机器学习模型创建的数据。该数据集的一部分（训练数据集）将用于训练模型，另一部分（测试数据集）稍后将用于评估所构建模型的性能。机器学习的数据集中典型的拆分比例为：训练数据集80%，测试数据集20%。
步骤2
用户需要对数据进行标记；基本上，我们需要告诉机器收集的数据属于哪一类（例如“跑步”、“散步”、“静止”……）；决策树是一种模型，基于模型创建者所表现的分类法。
分类指的是根据您认为重要的属性对数据进行分组：这种属性在机器学习领域被称为“类”。
步骤3
用户使用预先准备的数据集训练机器学习模型。该任务也称为“拟合”。训练结果的准确性在很大程度上取决于用于训练的数据的内容和数量。
步骤4
用户将训练过的机器学习模型嵌入到系统中。对于在计算机上运行的机器学习算法，用户可以利用python库直接运行模型。对于在mcu等器件上运行的机器学习算法，用户可以在执行之前将该库转换为c代码。对于mems mlc等硬件连接型解决方案，用户可以在执行之前使用专用软件unico-gui将库转换为寄存器设置。
步骤5
用户验证机器学习模型。如果验证结果与预期的结果不匹配，则用户必须确定上述步骤中需要改进的部分，以及如何改进。决策树用于模拟人类在分类过程中的思维方式
在机器学习兴起之前，决策树模型就已经用于数据分类。比如杂志上的性格测试 - 在此类测试中，您要按顺序回答多个问题（顺序是按照每个问题的分支确定的），之后再根据结果推断您的性格。这是一个典型的决策树示例。为了创建一个机器学习分类模型，需要在每个阶段组合多个检查点（称为决策结点）。
在另一个例子中，一位经验丰富的房地产经纪人评估来访客户是否会根据如下图所示的决策树购买房产：他将到达一个最终结点（或称“叶子结点”），并根据每个决策结点的条件做出最终决定。
在开发决策树之前，必须通过分类算法确定三个要点，即要解决的问题、分类过程中的感兴趣参数（特征值（输入）），以及要寻找的最终答案（输出）。在房地产经纪人的例子中，问题是预测客户是否会购买房产。答案是客户是否会购买房产。
总之，合理的特征处理是获得准确答案的关键。在这种情况下，特征可以包括客户的收入、房产的价格、房间的数量，以及是否有停车位等等。得到的答案很大程度上取决于特征“结果”或值、特征的顺序，以及分类阈值（用于区分数据的参考值）。为了通过机器学习创建决策树，开发人员必须首先指定要使用的特征和阈值。然后，开发人员可以通过反复学习来改进决策树的结构以获得更准确的答案，从而优化每个决策结点上要检查的特征选择的顺序和分类阈值。
认真分析这个结构，该决策树方法看起来像是传统的“如果-则-否则”方法，那不同之处在哪里呢？
关键在于，要使用的特征、决策结点的位置、阈值和决策树的结构不是由设计人员“先知先觉”决定的，而是根据给定的特定数据集从ml模型本身“学习”来的。事实上，根据米兰、东京或上海的房地产数据集训练模型（例如，房地产模型）时，可能会得到不同的结果。
带有机器学习核心的st mems传感器可以通过嵌入式决策树推动向边缘人工智能的过渡。
我们提供lsm6dsox、lsm6dso32x、lsm6dsrx和ism330dhcx（这些器件将mems传感器与3轴加速度计、3轴陀螺仪和mlc集成在一起），以及iis2iclx（集成了超高精度2轴加速度传感器和mlc）。
由于面向机器学习分类进行了硬件逻辑优化且具有出色的传感器规格（图4），带mlc的mems运动传感器为用户提供具有低功耗和较高实时精度的个性化嵌入式决策树（上图）。mlc可以执行相关决策树，最多能够处理32个特征值。意法半导体还提供了开发环境，帮助用户轻松开发在mlc中运行的决策树。
用户可以使用面向机器学习开发的常用平台（如weka、rapidminer、matlab和python（下图））之一开发在mlc上运行的决策树。尽管这些平台高度灵活且具有多功能性，但是用户也需要具备足够的知识和技能才能开发适合给定用例的决策树。
为此，意法半导体针对st mems传感器评估板提供了unico-gui全面软件包，其中包含多个功能，可帮助用户轻松开发上传到mlc中的决策树。unico-gui使用户能够轻松、直观地收集数据，并通过简单易用的gui来训练、验证模型。
意法半导体还提供高度通用的评估板，这些板配备多个传感器，可满足广泛的硬件规格要求（下图）。意法半导体提供的板件配备支持mlc的mems运动传感器，并且具有支持无线连接、可电池供电、可在sd卡上存储数据等特征，具有高度通用性，可用于广泛的应用（包括汽车、工业仪表和消费电子设备）。意法半导体还提供algobuildersuite pc软件，该软件（与unicleo配合）提供gui，可以轻松对板件进行编程，并由此进行数据记录。有了algobuildersuite，用户可以轻松、直观地对传感器进行编程，无需编写任何代码。
OPPO小布助手携手优酷视频共同打造不一样的视听控制体验
长鑫预计在2021年完成低功耗高速率17nm工艺内存芯片
董事长寄语
索尼旗舰 Xperia 1,全球首款配备4K HDR OLED屏!
最高密度的非易失性DDR3解决方案
ST MEMS传感器内嵌机器学习核心的优势
丰田开发新型电池 电动汽车续航能提升15%
磷酸铁锂的详细资料
NS2159单节锂离子电池采用恒定电流/恒定电压线性充电器概述
5G时代下,SiP封装面临哪些设计挑战?
力久电机实验室通过CSA认证能效资质
跌倒探测器的制作
机器人技术和英特尔实感技术
无人驾驶风口争夺战打响 百度起诉景驰王劲
Intel酷睿B系列：FCBGA1440整合式封装
以太网接口的设计嵌入式系统是关键
空气质量传感器在车身控制器电子系统中的应用分析
华为荣耀8青春版震撼来袭，从未见过美到如此文艺范的手机
荣耀9最新消息：华为荣耀9国外的售价3200元起,看到才知道国产华为有多良心！
安科瑞无线预付费抄表系统干扰分析与应用
我们将向用户介绍特殊机器学习模型——决策树，该模型与机器学习核心一起内嵌在st mems中。
当用户想要在嵌入式系统中使用机器学习或深度学习功能时，通常可按照以下五个步骤进行开发（如下图）。
步骤1
用户需要收集用于机器学习模型创建的数据。该数据集的一部分（训练数据集）将用于训练模型，另一部分（测试数据集）稍后将用于评估所构建模型的性能。机器学习的数据集中典型的拆分比例为：训练数据集80%，测试数据集20%。
步骤2
用户需要对数据进行标记；基本上，我们需要告诉机器收集的数据属于哪一类（例如“跑步”、“散步”、“静止”……）；决策树是一种模型，基于模型创建者所表现的分类法。
分类指的是根据您认为重要的属性对数据进行分组：这种属性在机器学习领域被称为“类”。
步骤3
用户使用预先准备的数据集训练机器学习模型。该任务也称为“拟合”。训练结果的准确性在很大程度上取决于用于训练的数据的内容和数量。
步骤4
用户将训练过的机器学习模型嵌入到系统中。对于在计算机上运行的机器学习算法，用户可以利用python库直接运行模型。对于在mcu等器件上运行的机器学习算法，用户可以在执行之前将该库转换为c代码。对于mems mlc等硬件连接型解决方案，用户可以在执行之前使用专用软件unico-gui将库转换为寄存器设置。
步骤5
用户验证机器学习模型。如果验证结果与预期的结果不匹配，则用户必须确定上述步骤中需要改进的部分，以及如何改进。决策树用于模拟人类在分类过程中的思维方式
在机器学习兴起之前，决策树模型就已经用于数据分类。比如杂志上的性格测试 - 在此类测试中，您要按顺序回答多个问题（顺序是按照每个问题的分支确定的），之后再根据结果推断您的性格。这是一个典型的决策树示例。为了创建一个机器学习分类模型，需要在每个阶段组合多个检查点（称为决策结点）。
在另一个例子中，一位经验丰富的房地产经纪人评估来访客户是否会根据如下图所示的决策树购买房产：他将到达一个最终结点（或称“叶子结点”），并根据每个决策结点的条件做出最终决定。
在开发决策树之前，必须通过分类算法确定三个要点，即要解决的问题、分类过程中的感兴趣参数（特征值（输入）），以及要寻找的最终答案（输出）。在房地产经纪人的例子中，问题是预测客户是否会购买房产。答案是客户是否会购买房产。
总之，合理的特征处理是获得准确答案的关键。在这种情况下，特征可以包括客户的收入、房产的价格、房间的数量，以及是否有停车位等等。得到的答案很大程度上取决于特征“结果”或值、特征的顺序，以及分类阈值（用于区分数据的参考值）。为了通过机器学习创建决策树，开发人员必须首先指定要使用的特征和阈值。然后，开发人员可以通过反复学习来改进决策树的结构以获得更准确的答案，从而优化每个决策结点上要检查的特征选择的顺序和分类阈值。
认真分析这个结构，该决策树方法看起来像是传统的“如果-则-否则”方法，那不同之处在哪里呢？
关键在于，要使用的特征、决策结点的位置、阈值和决策树的结构不是由设计人员“先知先觉”决定的，而是根据给定的特定数据集从ml模型本身“学习”来的。事实上，根据米兰、东京或上海的房地产数据集训练模型（例如，房地产模型）时，可能会得到不同的结果。
带有机器学习核心的st mems传感器可以通过嵌入式决策树推动向边缘人工智能的过渡。
我们提供lsm6dsox、lsm6dso32x、lsm6dsrx和ism330dhcx（这些器件将mems传感器与3轴加速度计、3轴陀螺仪和mlc集成在一起），以及iis2iclx（集成了超高精度2轴加速度传感器和mlc）。
由于面向机器学习分类进行了硬件逻辑优化且具有出色的传感器规格（图4），带mlc的mems运动传感器为用户提供具有低功耗和较高实时精度的个性化嵌入式决策树（上图）。mlc可以执行相关决策树，最多能够处理32个特征值。意法半导体还提供了开发环境，帮助用户轻松开发在mlc中运行的决策树。
用户可以使用面向机器学习开发的常用平台（如weka、rapidminer、matlab和python（下图））之一开发在mlc上运行的决策树。尽管这些平台高度灵活且具有多功能性，但是用户也需要具备足够的知识和技能才能开发适合给定用例的决策树。
为此，意法半导体针对st mems传感器评估板提供了unico-gui全面软件包，其中包含多个功能，可帮助用户轻松开发上传到mlc中的决策树。unico-gui使用户能够轻松、直观地收集数据，并通过简单易用的gui来训练、验证模型。
意法半导体还提供高度通用的评估板，这些板配备多个传感器，可满足广泛的硬件规格要求（下图）。意法半导体提供的板件配备支持mlc的mems运动传感器，并且具有支持无线连接、可电池供电、可在sd卡上存储数据等特征，具有高度通用性，可用于广泛的应用（包括汽车、工业仪表和消费电子设备）。意法半导体还提供algobuildersuite pc软件，该软件（与unicleo配合）提供gui，可以轻松对板件进行编程，并由此进行数据记录。有了algobuildersuite，用户可以轻松、直观地对传感器进行编程，无需编写任何代码。
OPPO小布助手携手优酷视频共同打造不一样的视听控制体验
长鑫预计在2021年完成低功耗高速率17nm工艺内存芯片
董事长寄语
索尼旗舰 Xperia 1,全球首款配备4K HDR OLED屏!
最高密度的非易失性DDR3解决方案
ST MEMS传感器内嵌机器学习核心的优势
丰田开发新型电池 电动汽车续航能提升15%
磷酸铁锂的详细资料
NS2159单节锂离子电池采用恒定电流/恒定电压线性充电器概述
5G时代下,SiP封装面临哪些设计挑战?
力久电机实验室通过CSA认证能效资质
跌倒探测器的制作
机器人技术和英特尔实感技术
无人驾驶风口争夺战打响 百度起诉景驰王劲
Intel酷睿B系列：FCBGA1440整合式封装
以太网接口的设计嵌入式系统是关键
空气质量传感器在车身控制器电子系统中的应用分析
华为荣耀8青春版震撼来袭，从未见过美到如此文艺范的手机
荣耀9最新消息：华为荣耀9国外的售价3200元起,看到才知道国产华为有多良心！
安科瑞无线预付费抄表系统干扰分析与应用