回顾数据分析对2018所产生的影响分析

从预测性维护和远程信息处理到高级驾驶辅助系统（ADAS）和传感器分析，工程和 IT 团队使用 MATLAB 构建先进的大数据分析系统。这些团队选择使用 MATLAB，因为它能提供商务智能系统或开源语言所不具备的必要功能，比如：

物理世界数据：MATLAB 可对传感器、图像、视频、遥测、二进制和其他实时格式提供直接支持。

机器学习、神经网络、数据统计等：MATLAB 可提供一整套的数据统计和机器学习功能，以及高级方法，例如非线性优化、系统辨识和数千种预置算法以进行图像处理、金融建模和控制系统设计。

大数据集的高速处理：MATLAB 的数值运算可直接扩展到集群和云上进行并行处理。

在线和实时部署：MATLAB 可集成到企业系统、集群和云，并且可以部署到实时嵌入式硬件。

MathWorks 数据分析小组的产品市场营销经理 Seth DeLand 分享数据分析在 2018 年度的应用趋势。

预测分析

众所周知，数据分析技术可以在预测性维护等领域带来显著的商业利益。但是，这类应用的系统体系结构仍然是一个悬而未决的问题。客户不太愿意与供应商分享其数据，而庞大的数据量也使记录来自机器的所有数据难以实现，并且响应事件的要求可能在毫秒之间— 这对于等待来自Internet 服务器的响应而言时间太短。

所有这些因素都会推动“边缘”创新或设备本身的创新。这会需要数据缩减技术，例如可以将高频率传感器数据转换为可以通过网络轻松传输的压缩形式的信号处理算法。设计约束也可能会导致在设备上直接运行机器学习模型。使用可以方便地开发算法并将它部署到不同方案中的软件使设计团队可以为其系统实施最佳体系结构。

随着 AI系统、可穿戴设备和其他新技术从概念转变为现实，首要的需求是聚合在多个平台间分散的数据、应用最新的分析功能兵将数据转换为可操作的内容。

预测分析系统将允许在患者与医生之间建立更详尽全面的个人关系，并在护理时进行更有效的诊断。预测分析很可能还会通过从可穿戴设备收集和个人设备上分享的数据来推动预防性和治疗性护理的进展。

机器学习和深度学习

随着机器学习技术的应用变得越来越简单，越来越多的产品和服务将采用机器学习模型。嵌入式系统（通常用于控制和诊断）将采用机器学习模型检测以前无法观测的现象（例如：检测驾驶员的驾驶风格，或是对机器是否可能会发生故障进行分类）。在 2018 年，我们将继续看到机器学习模型应用于在新领域中，尤其是在边缘节点和嵌入式处理器中。

虽然深度学习仍被认为前途无量，但仍然需要进行大量的设计和调整来训练有效的深度网络。诸如自动超参数调优这类技术似乎能很好地减少这些工作量，这将加快采用深度学习的步伐。

数据科学

随着更多工程和 IT 团队的整合，对于了解企业核心产品和服务的领域专家的需求将会增加。通过与数据科学家合作（或任职），这些领域专家在明确数据科学技术可以使企业受益的领域至关重要。

授权这些领域专家应用数据科学方法将使大数据和机器学习技术可以快速整合到更广泛的组织的服务和运营中，最终在为客户提供需要的产品和服务时建立显著的竞争优势。