上图：聚类使用诸如距最近质心的距离之类的机制来划分数据

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

通过将数据分类为分组，聚类进一步进行。一种典型的算法是基于质心的算法，但是机器学习中使用了许多其他类型的聚类分析。基于质心的系统使用数据点之间的几何距离来确定它们是否属于一个组或另一个组。聚类分析通常是一个迭代过程，在此过程中，将应用不同的标准来确定聚类之间的边界形成位置以及单个聚类中相关数据点的紧密程度。但是，该技术可有效地证明可能会避开领域专家的数据模式。将数据分离为类的另一种选择是支持向量机（SVM），它可以将超维数据沿着使用优化技术创建的超平面划分为类。
决策树提供了在规则库中使用群集数据的方法。决策树为AI算法提供了一种通过数据输入来得出答案的方法。可以通过对输入数据进行聚类分析来确定树中的每个分支。例如，系统在高于特定温度的情况下可能会表现不同，因此在其他条件下可接受的压力读数可能有助于指示问题。决策树可以使用这些条件组合来找到最适合该情况的规则集。尽管DNN通常需要高性能的硬件才能实时运行，但诸如对抗性神经网络之类的结构却更为简单，已成功在基于32位或64位处理器的移动机器人上成功实现，例如Raspberry Pi平台中的处理器。 DNN的主要优势在于它采用了许多层。分层结构使中子有可能对多维数据元素之间的连接进行编码，这些多维数据元素在空间和时间上可能是高度分离的，但是在训练过程中却表现出重要的关系。

除了其计算开销外，DNN的一个缺点是训练它需要大量的数据。 AI研究人员正在研究其他算法，例如基于高斯过程的算法。它们使用数据的概率分析来建立模型，该模型的功能类似于神经网络，但使用的训练数据少得多。但是，从短期来看，DNN的成功使它成为处理复杂的多维输入（例如图像，视频以及音频或过程数据的流采样）的关键候选人。
在具有复杂要求的应用程序中，一种选择可能是在嵌入式设备中使用简单的AI算法查找输入数据中的异常值，然后从云中请求服务以更详细地查看数据以提供更准确的答案。这样的拆分将有助于维持实时性能，限制需要长距离传输的数据量，并确保即使在临时网络中断的情况下也能连续运行。如果连接丢失，则嵌入式系统可以缓存可疑数据，直到有机会通过云服务对其进行检查。

下图：决策树提供了一种基于分类规则和不同结果的相关概率来构造数据的方法

人工智能提供商
亚马逊网络服务（AWS）和IBM是现在向其客户提供基于云的AI服务的公司。 AWS提供对适用于机器学习的各种硬件平台的访问，包括通用服务器刀片，GPU加速器和FPGA。可以使用开源框架（例如Caffe和Tensorflow）构建在云中运行的DNN，这些框架现已被AI从业人员广泛使用。
IBM已将其Watson AI平台与Raspberry Pi等板建立了直接接口，从而使得在致力于最终架构之前，可以很容易地对机器学习应用程序进行原型制作。 ARM通过其mbed IoT设备平台提供了与Watson的类似链接。
尽管AI可能看起来像是计算的新前沿，但Raspberry Pi等低成本高性能板的可用性以及对基于云的机器学习服务的访问意味着嵌入式开发人员可以直接访问整个机器学习领域在过去几十年中发现的算法。随着更先进技术的发展，机载处理和云计算的结合将确保嵌入式开发人员能够与时俱进，并提供可能的最智能解决方案。