机器学习到底是什么？

摘要：人工智能和机器学习可谓火爆绝后。自从AlphaGo完胜人类围棋顶尖棋手后，人们关于人工智能的讨论就从未间断过。 有人说，人工智能会使大批人失业，又有人说，人工智能会给人类带来要挟。更多人等待的则是，人工智能可以协助我们创造更多的价值。AI是一个非常广义的概念。

关于机器学习最简单的定义来自于Berkeley所表述的:机器学习是AI的一个分支，它探求了让计算机根据阅历提高效率的方法。

为了更深入的了解这一定义，接上去我们将对其停止拆分分析。

AI的分支：人工智能是一种可以使得计算机及其系统可以成功完成通常需求人类智能行为才能完成的义务的研讨和开发。机器学习是训练计算机完成上述义务的技术和过程，是其必不可少的一部分。

探求方法：现阶段机器学习技术仍在不停地涌现，虽然一些用于训练计算机的模型曾经被辨认和运用，但由于不同的业务成绩需求不同的模型，在训练计算机时也可以运用不同的模型，随着工夫的推移将会开发出更多模型。

协助计算机以提高其功能：大多数状况下，要让计算机完成人工智能的义务，它需求借助于人工协助去练习和顺应。

以阅历为基础：提供具有阅历的AI的另一种说法—为其提供数据。随着更多数据被输入系统，计算机可以更准确地对它以及将遇到的将来数据做出呼应。

机器学习如何运作？

让我们来看看机器学习是如何运作的：

搜集：机器学习取决于数据，第一步是确保按照你要处理的成绩的要求拥有合适的数据。

清算：数据可以由不同的源生成，包含在不同的文件格式中，并以不同的言语表示。能够需求在数据集中添加或删除信息，由于某些实例能够短少信息，而其他实例能够包含不需求的或有关的条目。它的预备工作将影响其可用性和结果的牢靠性。

拆分：根据数据集的大小，能够只需求一部分。从所选样本中，应将数据分为两组：一组用于训练算法，另一组用于评价算法。

训练：这个阶段次要是为了找到准确完成所选目的的函数。根据所运用的模型类型，采用不同的训练方式：如，在简单的线性回归模型中拟合一条线、生成随机森林算法的决策树。为了更好地了解我们拿神经网络来说，普通算法碰到数据集的一部分时，将会尝试处理数据。测量其本身的功能并自动调整其参数（也称为反向传播），直到它能不断产生希冀的结果具有足够的牢靠性。直到它能不断产生希冀的结果，并具有足够的牢靠性。

评价：一旦算法在训练数据上表现良好，它将再次运用没有见过的数据停止测量。此过程允许你防止过度拟合，但这种状况仅发生在学习算法运转良好同时又与你的训练数据相关的状况下。

优化：该模型针对目的运用程序内的集成停止了优化，以确保其效率。

能否有不同类型的机器学习？

在机器学习中可以运用许多不同的模型，但它们通常被分为三种不同的学习类型：监督、无监督和强化。根据要完成的义务，有些模型比其他模型更合适、功能更好。

监督学习：其特点是在训练模型时明白标记每个数据点的正确结果，以便找它们之间的关系，确保在引入未分配的数据点时，可以正确的做出预测或分类。

如在对股票价格的研讨中，分析数据点之间的关系，可以用回归学习算法对下个数据点做出预测。

无监督学习：该类学习的特征是算法在训练模型时期不对结果停止标记，而直接在数据点之间找有意义的关系，它的价值在于发现形式以及相关性。如，一个喜欢这瓶酒的人也喜欢这一个。

强化学习：这种类型的学习是有监督学习和无监督学习的结合。它通常用于处理更复杂的成绩。在实际中，该类学习类型可运用于控制机器人手臂、找到最有效的电机组合、机器人导航等范畴。同时逻辑游戏也很合适强化学习如扑克等。强化学习的其他运用在物流、日程安排和义务的战略规划中也很常见。

机器学习可以运用到哪里？

企业需求思索机器学习开发的三个阶段及其运用。这三个阶段是指：描画性阶段，预测性阶段和规范性阶段。

描画性阶段是指记录和分析历史数据加强商业智能。向管理者提供描画性信息，并更好地了解过去举动和决策的结果和后果。这个过程如今已成为全球大多数大型企业的常规工作。

运用机器学习的第二阶段是预测。搜集数据并运用它来预测特定结果可以提高反应性，使其更高效地做出决策。

最后一个规范性阶段是最先进的机器学习阶段，该阶段已被运用与企业活动中，并且在新兴企业的推进下不断向前发展。在针对有效和高效的业务虚践时了解缘由、动机和背景是最佳决策的先决条件，而只预测行为或结果是不够的。详细地说，当人和机器结合起来时，这个阶段是能够的。机器学惯用于找到有意义的关系并预测结果，而数据专家则充当翻译者，以了解关系存在的缘由。这样，就可以更准确地作出决策。

此外，除了预测性洞察之外，感兴味的冤家还可以了解一下另一个机器学习运用程序：流程自动化。这里是关于这两个概念的引见和对比。

以下是机器学习可以处理的成绩的一些示例。

物流和消费：

lRethink Robotics运用机器学习来训练机器人手臂并提高消费速度；

lJaybridge Robotics可完成工业级车辆自动化，以完成更高效的运营；

l Nanotronics自动化光学显微镜以改进检查；

l Netflix和Amazon根据用户需求优化资源分配；

l 其他例子包括：预测ERP/ERM需求；预测资产缺点和维护，提高质量保证，提高消费线功能。

销售和营销：

l 6sense预测哪种铅更容易被买，哪个工夫更容易被买入；

l Salesforce Einstein协助预测销售机会并自动完成义务；

l Fusemachines经过AI助手自动完成销售义务；

l AirPR提供了提高公关绩效的洞察力；

l Retention Science建议跨渠道举动以推进参与；

l 其他示例包括：预测客户的生命周期价值，提高客户细分准确度，检测客户购物形式以及优化用户的运用内体验。

人力资源：

l Entelo协助招聘人员辨认和鉴定候选人；

l hiQ协助管理人员停止人才管理。

金融：

l Cerebellum Capital和Sentient应用机器学习驱动的软件加强投资管理决策；

l Dataminr可以经过提供有关社交趋向和突发旧事的早期警报来协助实时财务决策；

l 其他例子包括：检测欺诈行为和预测股票价格。

卫生保健：

l Atomwise运用预测模型来减少药物消费工夫；

l Deep6 Analytics确定符合条件的患者停止临床实验；

l 其他例子包括：更准确地诊断疾病，改善个性化护理和评价健康风险。

你可以在Sam DeBrule汇集的精彩列表中找到更多机器学习和人工智能以及其他相关资源的示例。

阿里云云栖社区组织翻译。

文章原标题《Understanding Machine Learning》

作者：Charles A.R

译者：乌拉乌拉，审校：袁虎。

原文連接沒有？

机器学习

分享了

分享了

分享了

分享了

分享了

学习下