您需要了解的机器学习知识——还不快看看？

机器学习是作为AI（人工智能）的同义词而被抛出的热门词汇之一。但这真的不准确。请注意，机器学习是AI的一个子集。

（想自学习编程的小伙伴请搜索圈T社区，更多行业相关资讯更有行业相关免费视频教程。完全免费哦!）

这个领域已经存在了相当长的一段时间，其根源可以追溯到20世纪50年代末。在此期间，IBM的Arthur L. Samuel创建了第一个下棋的机器学习应用程序。

那么这与其他任何项目有何不同？嗯，根据Rockset的联合创始人兼首席执行官Venkat Venkataramani的 说法，机器学习是“让计算机在没有提供明确指示的情况下做出决策的工艺，从而使计算机能够模拟匹配复杂情况并预测会发生什么。”

要实现这一目标，需要大量高质量的数据以及复杂的算法和高性能计算机。考虑到当塞缪尔建立他的计划时，这些因素受到严重限制。因此，直到20世纪90年代，机器学习才具有商业可行性。

“目前机器学习的趋势主要是由企业在各种ERP系统中数十年的交易收集的结构化数据推动的，” HCL Technologies公司副总裁兼全球首席技术官Kalyan Kumar B表示 。“此外，社交媒体产生的大量非结构化数据也是新趋势的一个促成因素。主要的机器学习算法对数据进行分类，预测可变性，并在必要时对后续动作进行排序。例如，可以基于用户的简档数据和购买历史对用户进行分类的在线零售应用程序允许零售商基于用户的搜索历史来预测购买的概率，并使他们能够以折扣和产品推荐为目标。

现在你还会听到另一个流行词，它经常与机器学习混淆 - 即深度学习。请记住，这是机器学习的一个子集，涉及称为神经网络的复杂系统，模仿大脑的运作。像机器学习一样，自20世纪50年代以来，深度学习一直存在。然而，在20世纪80年代和80年代，这一领域获得了巨大的发展，主要来自Geoffrey Hinton，Yoshua Bengio和Yann Lecun等学者的创新理论。最终，谷歌，微软和Facebook等大型技术运营商将大力投资这项技术。结果是人工智能的革命。例如，如果您使用Google Translate之类的东西，那么您已经看到了这项技术的强大功能。

但机器学习 - 通过深度学习神经网络增强 - 也在企业中取得了进步。以下是几个例子：

• Mist建立了一个名为Marvis的虚拟助手，它基于机器学习算法，可以挖掘无线局域网的洞察力。网络管理员可以问一下诸如“Baker-Berry
  Library中的Wi-Fi接入点如何执行？”等问题，而Marvis将根据数据提供答案。更重要的是，随着时间的推移，系统变得更加智能和智能。
• 梭子鱼网络是网络安全市场的顶级参与者，机器学习是公司技术的重要组成部分。“我们发现这项技术在阻止个性化社交工程攻击方面具有指数级优势，”BarracudaNetworks电子邮件安全副总裁AsafCidon表示。“这项技术的最大优势在于它有效地使我们能够创建一个独特于每个客户环境的’自定义’规则集。换句话说，我们可以使用每个组织的历史通信模式来创建普通电子邮件在该组织中的外观统计模型。例如，如果公司的首席财务官总是从某些电子邮件地址发送电子邮件，在一天中的某些时间，并使用某些IP登录并与某些人通信，则机器学习将吸收这些数据。我们还可以学习和识别在组织的电子邮件系统中出现的“典型”链接。然后，我们使用这些知识并应用不同的机器学习分类器，将员工行为与组织中的普通电子邮件进行比较。“

当然，机器学习有缺点 - 而且这项技术远未实现真正的人工智能。它无法理解因果关系或参与概念思维。还存在偏差和模型过度拟合的潜在风险（这意味着算法确定仅仅噪声代表真实模式）。

即使像大规模处理时间序列数据这样的事情也非常困难。“一个例子是客户之旅，” Adobe平台工程副总裁Anjul Bhambhri说 。“这种数据集涉及可能有数万亿客户互动的行为数据。购买决策中的每个接触点有多重要？要回答这个问题，您需要找到一种方法来确定客户的意图，这种方法很复杂且含糊不清。但这肯定是我们正在努力的事情。“

尽管如此，机器学习仍然是将数据转化为有价值见解的有效方法。而且进展可能会继续快速发展。

“机器语言很重要，因为它的预测能力会扰乱众多行业，” DarwinAI首席执行官谢尔登•费尔南德斯说 。“我们已经在计算机视觉，自动驾驶汽车和自然语言处理领域看到了这一点。此外，这些中断的影响可能对我们的生活质量产生深远的影响，例如医学，医疗保健和药品方面的进步。

文章来源：http://www.taulli.com/ai/what-you-need-to-know-about-machine-learning/