機器學習vs.人工智能：定義和重要性

　　·營銷和銷售——根據(jù)以前的購買推薦產(chǎn)品和服務(wù)的網(wǎng)站使用機器學習來分析購買歷史，并推廣客戶可能感興趣的其他項目。這種捕獲數(shù)據(jù)、分析數(shù)據(jù)并使用它來定制購物體驗的能力或?qū)嵤I銷活動是零售業(yè)的未來。

　　·運輸——分析數(shù)據(jù)以識別模式和趨勢對于運輸行業(yè)至關(guān)重要，這取決于開發(fā)更有效的路線，并預測潛在問題以提高可靠性和盈利能力。機器學習數(shù)據(jù)建模和分析方面是運輸廠商、公共交通和業(yè)內(nèi)其他組織的重要工具。

　　·石油和天然氣——機器學習有助于發(fā)現(xiàn)新的能源，分析土壤中的礦物質(zhì)，預測煉油廠傳感器的故障，加速石油的分配，使其更加高效和經(jīng)濟。在這個行業(yè)中，機器學習應(yīng)用程序的數(shù)量是巨大的，并且持續(xù)增長。

　　·醫(yī)療保健 - 由于可穿戴設(shè)備和傳感器的出現(xiàn)，使醫(yī)療保健專業(yè)人員能夠?qū)崟r訪問患者數(shù)據(jù)，因此機器學習是醫(yī)療保健領(lǐng)域不斷發(fā)展的趨勢。該技術(shù)還可以幫助醫(yī)學專家分析數(shù)據(jù)，以識別趨勢或警報，從而改善診斷和治療。

　　機器學習中使用的方法

　　兩種最廣泛采用的機器學習方法是監(jiān)督學習和無監(jiān)督學習，但它們并不是唯一的方法。

　　通過標記示例訓練監(jiān)督學習算法，作為已知所需輸出的輸入。例如，設(shè)備可能具有標記為“F”(失敗)或“E”(執(zhí)行)的數(shù)據(jù)點。學習算法接收一組輸入以及相應(yīng)的正確輸出，并通過將實際輸出與正確輸出進行比較來學習以發(fā)現(xiàn)錯誤。然后它修改結(jié)算模型。通過分類、回歸和梯度增強等方法，監(jiān)督學習使用標準來預測附加的非標記數(shù)據(jù)中的標簽值。監(jiān)督學習通常用于歷史數(shù)據(jù)預測可能的未來事件的應(yīng)用中。例如，它可以預測信用卡交易何時可能是欺詐性的，或者哪些投保人傾向于要求其政策。

　　非監(jiān)督學習用于針對沒有歷史標簽的數(shù)據(jù)?！罢_答案”未向系統(tǒng)報告。算法必須找出所顯示的內(nèi)容。目標是探索數(shù)據(jù)并在其中找到一些結(jié)構(gòu)。無監(jiān)督學習適用于交易數(shù)據(jù)。例如，它可以識別具有相似屬性的客戶群，然后可以在營銷活動中對其進行類似處理;或者它可以找到分隔不同客戶群的關(guān)鍵屬性。常用的技術(shù)包括自組織映射、鄰近映射、k-均值分組和分解為奇異值。這些算法還用于分割文本主題、推薦項目和識別數(shù)據(jù)中的差異點。

　　半監(jiān)督學習用于與監(jiān)督學習相同的應(yīng)用程序，但處理有標簽和無標簽的數(shù)據(jù)進行培訓——通常是用大量無標簽數(shù)據(jù)標記的少量數(shù)據(jù)(因為沒有標簽的數(shù)據(jù)更便宜，并且需要花費更少的精力來獲取)。這類學習可用于分類、回歸和預測等方法。當與標簽相關(guān)的成本太高而無法實現(xiàn)完全標記的培訓過程時，半監(jiān)督學習非常有用。其典型例子包括在網(wǎng)絡(luò)攝像頭上識別人臉。

　　強化學習通常用于機器人、游戲和導航。有了它，算法通過嘗試和錯誤發(fā)現(xiàn)，哪些行為會帶來更大的回報。這種類型的學習有三個主要組成部分：代理(學習者或決策者)、環(huán)境(代理與之交互的所有內(nèi)容)和行動(代理可以做什么)。目標是讓代理選擇在給定時間段內(nèi)最大化預期回報的行動。如果代理遵循一個好的政策，可以更快地實現(xiàn)目標。因此，強化學習的重點是找出最佳策略。

　　數(shù)據(jù)挖掘、機器學習和深度學習之間有什么區(qū)別?

　　雖然所有這些方法都有相同的目標，提取可用于決策的見解、模式和關(guān)系，但它們具有不同的方法和功能。

　　數(shù)據(jù)挖掘可以被視為從數(shù)據(jù)中提取洞察力的許多不同方法的超集。它可能涉及傳統(tǒng)的統(tǒng)計方法和機器學習。數(shù)據(jù)挖掘應(yīng)用來自多個區(qū)域的方法來識別數(shù)據(jù)中先前未知的模式。這可能包括統(tǒng)計算法、機器學習、文本分析、時間序列分析和其他分析領(lǐng)域。數(shù)據(jù)挖掘還包括數(shù)據(jù)存儲和操作的研究和實踐。

　　通過機器學習，目的是了解數(shù)據(jù)的結(jié)構(gòu)。因此，統(tǒng)計模型背后有一個理論是經(jīng)過數(shù)學證明的，但這要求數(shù)據(jù)也滿足某些假設(shè)。機器學習是從使用計算機檢查數(shù)據(jù)結(jié)構(gòu)的能力發(fā)展而來的，即使人們不知道這種結(jié)構(gòu)是什么樣子的。機器學習模型的測試是新數(shù)據(jù)中的驗證錯誤，而不是證明空假設(shè)的理論測試。由于機器學習通常使用迭代的方法從數(shù)據(jù)中學習，因此可以輕松地自動學習。這些步驟通過數(shù)據(jù)執(zhí)行，直到找到一個可靠的標準。

　　深度學習結(jié)合了計算能力的進步和特殊類型的神經(jīng)網(wǎng)絡(luò)，以學習大量數(shù)據(jù)中的復雜模式。深度學習技術(shù)是當今最先進的技術(shù)，用于識別圖片中的對象和語音中的單詞。研究人員正在嘗試將模式識別方面的成功應(yīng)用于更復雜的任務(wù)，例如機器翻譯、醫(yī)療診斷以及許多其他社會和企業(yè)問題。

　　盡管人工智能和機器學習的概念早已出現(xiàn)，但它們開始成為主流應(yīng)用的一部分。但是，現(xiàn)在仍處于起步階段。如果人工智能和機器學習有用并且令人印象深刻，當?shù)玫礁玫挠柧毢透倪M時，其實施將會更加有效。