機(jī)器學(xué)習(xí)vs.人工智能：定義和重要性

　　·營(yíng)銷和銷售——根據(jù)以前的購(gòu)買推薦產(chǎn)品和服務(wù)的網(wǎng)站使用機(jī)器學(xué)習(xí)來分析購(gòu)買歷史，并推廣客戶可能感興趣的其他項(xiàng)目。這種捕獲數(shù)據(jù)、分析數(shù)據(jù)并使用它來定制購(gòu)物體驗(yàn)的能力或?qū)嵤I(yíng)銷活動(dòng)是零售業(yè)的未來。

　　·運(yùn)輸——分析數(shù)據(jù)以識(shí)別模式和趨勢(shì)對(duì)于運(yùn)輸行業(yè)至關(guān)重要，這取決于開發(fā)更有效的路線，并預(yù)測(cè)潛在問題以提高可靠性和盈利能力。機(jī)器學(xué)習(xí)數(shù)據(jù)建模和分析方面是運(yùn)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(jī)器學(xué)習(xí)有助于發(fā)現(xiàn)新的能源，分析土壤中的礦物質(zhì)，預(yù)測(cè)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(jì)。在這個(gè)行業(yè)中，機(jī)器學(xué)習(xí)應(yīng)用程序的數(shù)量是巨大的，并且持續(xù)增長(zhǎng)。

　　·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(shí)訪問患者數(shù)據(jù)，因此機(jī)器學(xué)習(xí)是醫(yī)療保健領(lǐng)域不斷發(fā)展的趨勢(shì)。該技術(shù)還可以幫助醫(yī)學(xué)專家分析數(shù)據(jù)，以識(shí)別趨勢(shì)或警報(bào)，從而改善診斷和治療。

　　機(jī)器學(xué)習(xí)中使用的方法

　　兩種最廣泛采用的機(jī)器學(xué)習(xí)方法是監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，但它們并不是唯一的方法。

　　通過標(biāo)記示例訓(xùn)練監(jiān)督學(xué)習(xí)算法，作為已知所需輸出的輸入。例如，設(shè)備可能具有標(biāo)記為“F”(失敗)或“E”(執(zhí)行)的數(shù)據(jù)點(diǎn)。學(xué)習(xí)算法接收一組輸入以及相應(yīng)的正確輸出，并通過將實(shí)際輸出與正確輸出進(jìn)行比較來學(xué)習(xí)以發(fā)現(xiàn)錯(cuò)誤。然后它修改結(jié)算模型。通過分類、回歸和梯度增強(qiáng)等方法，監(jiān)督學(xué)習(xí)使用標(biāo)準(zhǔn)來預(yù)測(cè)附加的非標(biāo)記數(shù)據(jù)中的標(biāo)簽值。監(jiān)督學(xué)習(xí)通常用于歷史數(shù)據(jù)預(yù)測(cè)可能的未來事件的應(yīng)用中。例如，它可以預(yù)測(cè)信用卡交易何時(shí)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(xué)習(xí)用于針對(duì)沒有歷史標(biāo)簽的數(shù)據(jù)?！罢_答案”未向系統(tǒng)報(bào)告。算法必須找出所顯示的內(nèi)容。目標(biāo)是探索數(shù)據(jù)并在其中找到一些結(jié)構(gòu)。無監(jiān)督學(xué)習(xí)適用于交易數(shù)據(jù)。例如，它可以識(shí)別具有相似屬性的客戶群，然后可以在營(yíng)銷活動(dòng)中對(duì)其進(jìn)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(xiàng)目和識(shí)別數(shù)據(jù)中的差異點(diǎn)。

　　半監(jiān)督學(xué)習(xí)用于與監(jiān)督學(xué)習(xí)相同的應(yīng)用程序，但處理有標(biāo)簽和無標(biāo)簽的數(shù)據(jù)進(jìn)行培訓(xùn)——通常是用大量無標(biāo)簽數(shù)據(jù)標(biāo)記的少量數(shù)據(jù)(因?yàn)闆]有標(biāo)簽的數(shù)據(jù)更便宜，并且需要花費(fèi)更少的精力來獲取)。這類學(xué)習(xí)可用于分類、回歸和預(yù)測(cè)等方法。當(dāng)與標(biāo)簽相關(guān)的成本太高而無法實(shí)現(xiàn)完全標(biāo)記的培訓(xùn)過程時(shí)，半監(jiān)督學(xué)習(xí)非常有用。其典型例子包括在網(wǎng)絡(luò)攝像頭上識(shí)別人臉。

　　強(qiáng)化學(xué)習(xí)通常用于機(jī)器人、游戲和導(dǎo)航。有了它，算法通過嘗試和錯(cuò)誤發(fā)現(xiàn)，哪些行為會(huì)帶來更大的回報(bào)。這種類型的學(xué)習(xí)有三個(gè)主要組成部分：代理(學(xué)習(xí)者或決策者)、環(huán)境(代理與之交互的所有內(nèi)容)和行動(dòng)(代理可以做什么)。目標(biāo)是讓代理選擇在給定時(shí)間段內(nèi)最大化預(yù)期回報(bào)的行動(dòng)。如果代理遵循一個(gè)好的政策，可以更快地實(shí)現(xiàn)目標(biāo)。因此，強(qiáng)化學(xué)習(xí)的重點(diǎn)是找出最佳策略。

　　數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間有什么區(qū)別?

　　雖然所有這些方法都有相同的目標(biāo)，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(jì)方法和機(jī)器學(xué)習(xí)。數(shù)據(jù)挖掘應(yīng)用來自多個(gè)區(qū)域的方法來識(shí)別數(shù)據(jù)中先前未知的模式。這可能包括統(tǒng)計(jì)算法、機(jī)器學(xué)習(xí)、文本分析、時(shí)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(chǔ)和操作的研究和實(shí)踐。

　　通過機(jī)器學(xué)習(xí)，目的是了解數(shù)據(jù)的結(jié)構(gòu)。因此，統(tǒng)計(jì)模型背后有一個(gè)理論是經(jīng)過數(shù)學(xué)證明的，但這要求數(shù)據(jù)也滿足某些假設(shè)。機(jī)器學(xué)習(xí)是從使用計(jì)算機(jī)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(jī)器學(xué)習(xí)模型的測(cè)試是新數(shù)據(jù)中的驗(yàn)證錯(cuò)誤，而不是證明空假設(shè)的理論測(cè)試。由于機(jī)器學(xué)習(xí)通常使用迭代的方法從數(shù)據(jù)中學(xué)習(xí)，因此可以輕松地自動(dòng)學(xué)習(xí)。這些步驟通過數(shù)據(jù)執(zhí)行，直到找到一個(gè)可靠的標(biāo)準(zhǔn)。

　　深度學(xué)習(xí)結(jié)合了計(jì)算能力的進(jìn)步和特殊類型的神經(jīng)網(wǎng)絡(luò)，以學(xué)習(xí)大量數(shù)據(jù)中的復(fù)雜模式。深度學(xué)習(xí)技術(shù)是當(dāng)今最先進(jìn)的技術(shù)，用于識(shí)別圖片中的對(duì)象和語(yǔ)音中的單詞。研究人員正在嘗試將模式識(shí)別方面的成功應(yīng)用于更復(fù)雜的任務(wù)，例如機(jī)器翻譯、醫(yī)療診斷以及許多其他社會(huì)和企業(yè)問題。

　　盡管人工智能和機(jī)器學(xué)習(xí)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(jī)器學(xué)習(xí)有用并且令人印象深刻，當(dāng)?shù)玫礁玫挠?xùn)練和改進(jìn)時(shí)，其實(shí)施將會(huì)更加有效。