人工智能 (AI) 和机器学习 (ML) 是流行语，越来越多地用于讨论数据科学和其他技术的未来趋势。 然而，这两个概念真的是同一个豆荚里的豌豆吗？
人工智能是智能机器自行执行各种任务的更广泛概念。 机器学习是人工智能的一种应用，机器使用各种算法从提供给它们的数据中学习。 因此，机器学习是一种数据分析方法，可以自动构建分析模型，允许计算机在没有明确编程的情况下找到隐藏的洞察力。 听起来像是解决我们所有技术难题的完美解决方案，不是吗？

机器学习的演变

计算机游戏和人工智能领域的美国先驱 Arthur Samuel 于 1959 年在 IBM 创造了“机器学习”一词。 在早期，机器学习诞生于模式识别，其理论认为计算机可以从数据中的模式中学习，而无需通过编程来执行特定任务。 对人工智能感兴趣的研究人员后来开发了计算机或机器可以从数据中学习的算法。 因此，每当机器接触到新数据时，它们也能够独立适应。

这是一门不新鲜的科学，但它正在获得新的动力，这主要归功于过去几十年来不断发展的新计算技术。
金融行业中的大数据角色和薪酬

许多机器学习算法已经存在了很长时间。 但是，将复杂的数学计算自动应用于大型数据集的能力是一个新的发展。 以下是一些您可能熟悉的机器学习应用示例：

• 来自亚马逊和 Netflix 的在线推荐。
• YouTube 检测并删除平台上的恐怖内容。
• 了解客户在 Twitter 上对您的评价

机器学习的兴起

互联网的出现，以及生成、存储和可供分析的数字信息的大量增加，被认为是导致机器学习出现的两个重要因素。 随着来自互联网的大量高质量数据、经济的数据存储选项和改进的数据处理能力，机器学习算法被视为近来以惊人的速度推动人工智能发展的工具。

神经网络

神经网络通过能够根据提供给它的数据做出陈述、决策或预测来处理概率系统。 此外，反馈回路可以通过感知实现进一步的“学习” ； 它还根据其决定是对还是错来修改学习过程。
人工神经网络是一种具有节点网络的计算机系统，其灵感来自动物大脑中的神经元。 这样的网络可以通过见证示例来学习识别和分类模式，而不是告诉算法如何准确地识别和分类模式。 机器学习衍生的神经网络应用可以阅读文本片段并识别文本的性质——无论是抱怨还是祝贺。 他们还可以听一段音乐，判断它是否可能让人快乐或悲伤，并找到其他类似的音乐。 更重要的是，他们甚至可以创作表达相同情绪或主题的音乐。
在不久的将来，在机器学习和人工智能的帮助下，由于另一个新兴的人工智能领域称为自然语言处理 (NLP)，人们应该可以与电子设备和数字信息进行交流和交互。 在过去的几年里，NLP 已成为前沿创新的源泉，并且严重依赖机器学习。

NLP 应用程序试图理解人类交流，无论是书面的还是口头的，并使用各种语言进行交流。 在这种情况下，机器学习帮助机器理解人类语言的细微差别，并以特定受众可能理解的方式做出反应。
技能发展的真正含义以及为什么它对成功很重要

那么，究竟是谁在使用它呢？

大多数处理大量数据的行业已经认识到机器学习的价值。 大公司从存储的数据中收集重要的实时可操作见解，因此能够提高效率或获得优于竞争对手的优势。

金融服务

银行和其他企业使用机器学习来识别生成的数据中的重要见解，从而防止欺诈。 这些见解可以识别投资机会或帮助投资者了解何时进行交易。 数据挖掘还可以识别具有高风险档案的客户，或使用网络监控来警告客户欺诈行为，从而最大限度地减少身份盗窃。

市场营销与销售

电子商务网站使用机器学习技术根据之前的购买情况分析购买历史，推荐您可能喜欢的商品并推广其他商品。 零售行业正在利用网站捕获数据、分析数据并使用它来个性化购物体验或实施营销活动的能力。
总而言之，人工智能，特别是机器学习，今天肯定有很多东西可以提供。 凭借其自动化平凡任务以及提供创造性见解的承诺，从银行到医疗保健和制造业的各个行业都在从中受益。

最终，科学家们希望开发出类人人工智能，能够提高各种自动化功能的速度，尤其是随着互联网领域聊天机器人的出现。 我们近年来看到的许多令人兴奋的进步是由于机器学习带来的人工智能的进步变化。 这显然是机器学习有望成为数据科学领域下一件大事的原因。
所以继续前进， UpGrad 自己保持领先地位。