什么是机器学习？

什么是机器学习？

机器学习 （ ML ）是人工智能的应用程序，计算机程序使用算法来查找数据中的模式。他们可以在没有专门编程的情况下做到这一点，而不需要依赖人类。在当今世界，机器学习算法几乎落后于市场上的所有人工智能 (AI) 技术进步和应用程序。

 

人工智能系统通常具有计划、学习、推理、解决问题、感知、移动甚至 *** 纵的能力。机器学习是人工智能系统中使用的众多方法之一。其他包括进化计算和专家系统。

机器学习是我们每天所做的许多事情的一部分。想想机器学习系统可能会影响你的生活的地方：

Netflix 或 Spotify 等您最喜欢的流媒体服务上的推荐系统通过机器学习运行。搜索引擎使用机器学习来澄清和优化搜索结果。社交媒体频道推荐朋友、群组和视频观看。如果您有一台现代冰箱，通常它们会了解您什么时候使用冰箱最多，并在晚餐时间之前冷却冰箱。GPS 预测您的路线哪些部分会交通繁忙，并使用机器学习算法改变路线。Alexa 和 Siri 等语音助手使用机器学习来 *** 作。

，它们这样做却没有医疗专业人员可能存在的任何偏见。

根据从其他病例收集的信息为医生提供治疗方案的建议，机器学习还被用来帮助医生治疗特定疾病的独特病例。例如，一个巨噬细胞库可以在数小时内被能够识别可能有效的噬菌群来治疗抗生素耐药菌株的机器搜寻。

该应用程序还在试验如何转换从个人设备收集的消费者数据的汇总数据，以便为医疗专业人员提供有关治疗的建议和选择。当然，这是一个不断发展的行业。

机器学习的应用程序多种多样，几乎可以在任何领域或类型的业务中找到。对商业、政府和社交企业而言好处是巨大的。

机器学习的好处

机器学习几乎在生活的每个方面都具有令人难以置信的广泛好处。以下只是机器学习的一些普遍好处：

预测客户行为

对消费者购买模式的分析有助于让公司深入了解产品和服务线的前进方向。这些模式可能与客户选择一种产品而不是另一种产品的原因、定价、季节、品牌忠诚度等对这些决策的影响一样精确。借助机器学习，这种以数据为导向的调查结果速度要快得多，而且速度是更明智决策的关键。

数据输入的持续准确性

最无聊的人类任务就是数据输入。这样重复性任务出错的可能性很高。事实证明，这些错误会对公司带来多方面的损失。机器学习可确保快速、准确地完成数据输入，没有出错的空间。它还将员工枯燥任务拿走，使他们能够专注于更具挑战性和商业效益的工作。

在用户体验中发现新客户

每个企业都是在新的潜在客户转化为付费客户的基础上发展起来的。要想保持游戏的领先地位，就要不断发展以满足用户的需求。机器学习通过深入了解客户历程并提供趋势见解和预测需求来帮助企业。研究表明，机器学习帮助企业预测客户行为、发现低效率等，从而改变了企业的向上增长轨迹。

保持竞争优势

如果企业拥有良好的 商业智能 在需要时可以使用，就能与市场一起增长。在这里，机器学习可以发挥重要作用，为企业提供有关其独特卖点及其与竞争品牌相比积极方面的见解。任何新方法都可以根据可用数据快速进行假设和测试，并帮助企业快速制定上市计划。

为虚拟助手提供动力

工作场所无论大小，都是关于提高效率和明智地利用工作时间。机器学习，当应用于自动语音训练时，有助于创建更智能、更高效的虚拟助理，可以记笔记、编写会议记录并保持更好的记录。所有这些都减少了单调的文书工作，而这是必不可少却很麻烦的事情。拥有更好的虚拟助手，可以确保精确性，并充分满足隐私法规。

机器学习算法的分类

算法构成机器学习的整个结构及其增长的基础。这些算法可以分为四大类：

受监督的机器学习算法

在这里，先前学到的经验教训可以借助标签示例 来预测未来的结果 ，应用于新数据。这首先是对已知训练数据集的分析。学习算法创建了一个推断函数，对可能的结果进行预测。在进行必要数量的培训后，所有新的数据输入都将提供目标。

无监督的机器学习算法

如果训练信息没有以任何方式标记或分类，这些与受监督的算法形成对比并发挥作用。无监督学习不能为新数据提供 “正确” 的输出。相反，这些算法会探索数据，从数据集中形成推论，并揭示可能存在于未标记数据中的任何隐藏结构。

半监督机器学习算法

这些算法遵循前两种类型之间的中线，因为使用标记和未标记的数据进行训练。通常，未标记的数据量大于标记的数据量，并且算法使用标记的数据来了解未标记的数据。系统在此基础上不断提高学习的准确性。

强化机器学习算法

这是一种通过与环境的互动产生 *** 作并发现错误和进行奖励的学习方法。通过这种方法，计算机和所有软件代理都能够在特定上下文中确定适当的行为，以获得最佳性能。

机器学习的挑战

尽管技术取得了飞跃，但机器学习仍然需要克服一系列挑战。

网络仍然需要大量的工作内存来存储和处理数据。虽然一些无监督的学习技巧会删除不需要的数据，但仍然需要巨大的处理能力。这可以部分解决，无监督的学习算法可以剥离不需要的多余数据，从而削减所需的处理能力。但是，这还不足以适用于所有场景。

 

自然语言处理距离自然准确的翻译还有很长的路要走。俚语、口音和语言理解仍然是机器学习的巨大挑战。虽然机器不断有新的数据可以聆听和学习，但它仍然需要大量的培训来解决更加模糊的口音。

人工智能洗涤是指技术被标记为人工智能（或智能计算机）的时候，实际上只是机器学习或者他们一直使用的旧算法。对于许多人来说，这种区别并不重要，但它过度膨胀了技术预期，破坏了对技术的信任，并为这两个领域造成了反冲。需要对公众进行教育，进一步了解人工智能和机器学习。

视频培训的缺乏阻碍了行业发展。视频不依赖静态图像和 2D 世界，而是提供了更丰富的数据集。我们的世界是动态的，我们的机器需要学习这一点。这是一个新兴的研究领域。

机器不像人类那样思考。人们使用启发式方法来做出快速的决策。他们使用广泛的关注领域来整合对场景的整体理解。但是，机器学习仍然是关于精细数据的，这限制了当前有效使用数据的方式。随着机器学习地越来越多，这将解决问题，但尚不知道它们是否会真正像人类一样思考还是变得 " 人为的智能。"

 

机器学习的未来

随着机器学习计划和数据科学技术的广泛使用，几乎对生活的每个方面都有巨大的好处。

微调个性化：将使企业去预测和满足客户需求。更好的搜索引擎体验：改进搜索引擎结果的排名有助于最终用户和管理员提供引人注目的结果和见解。数据团队的演变：日常数据和 IT 团队角色将随着机器学习的改进而发展，从而减少手动编程花费的时间。例如，随着机器学习（通过使用 AutoML）学会有效地去做，数据科学家可以花更少的时间清理数据。量子计算的兴起：听起来可能像科幻电影中的事物，但量子算法确实具有引起其他多种创新的潜力，这是在中长期内将发生的事情。

人工智能和机器学习准备改变世界开展业务、提供治理和开发新技术的方式。它将改变未来应用程序开发市场的运作方式。在工业革命开始时，这些技术一起被赋予了对电力的重视。这两者共同预示着信息技术的新时代。

AutoML

AutoML 是令人兴奋的新技术，意味着普通人现在可以运行复杂的机器学习过程。过去， 数据科学家 需要深入了解统计数据、数据清理技术、计算机编码、算法以及对功能强大的计算机的访问。这意味着对于大多数人来说，机器学习是遥不可及的。

正在开发的新软件改变了机器学习。在线软件程序获取用户上传的数据。用户确定他们需要什么样的预测，并且软件会选择正确的算法来运行，并产生一组清晰、简洁和可解释的结果。虽然预测仍然需要准确无误的数据并加上标签，但软件中还内置了数据清理技术。他们可以评估异常值和缺失的信息，通常构建策略来管理差异。

对于想要预测和处理数据的能力却没有设施或手段聘请专门数据科学家的公司来说，这确实是一扇通往未来的窗口。目前，数据科学家一直在利用 AutoML 的数据清理功能，这节省了大量时间。