什么是机器学习及其重要性
已发表: 2018-06-12人工智能、机器学习、深度学习是当今行业最热门的三个流行语。 通常，我们倾向于将术语人工智能 (AI) 和机器学习 (ML) 用作同义词。 然而，这两个术语非常不同——机器学习是更广泛的人工智能领域的关键方面之一。
英特尔 ML 负责人 Nidhi Chappell恰当地说：
“人工智能基本上是智能——我们如何让机器变得智能，而机器学习是支持它的计算方法的实现。 我的想法是：人工智能是科学，机器学习是让机器更智能的算法。”
因此，简单地说，AI 是一个涉及将机器制造成“智能和智能”单元的领域，而 ML 是人工智能下的一个分支，涉及教计算机“学习”自行执行任务.
数据科学、机器学习和大数据之间的区别！
现在，让我们深入研究什么是机器学习。
目录
什么是机器学习？
根据SAS的说法， “机器学习是一种数据分析方法，可以自动构建分析模型。 它是人工智能的一个分支，其理念是系统可以从数据中学习、识别模式并在最少的人工干预下做出决策。”
尽管机器学习一词最近才成为人们关注的焦点，但机器学习的概念已经存在了很长时间，最早的例子是他在二战期间开发的艾伦·图灵的Enigma 机器。 今天，机器学习几乎无处不在，从我们生活中的普通事物到涉及大数据的更复杂的计算。 例如，谷歌的自动驾驶汽车以及 Netflix、亚马逊和 Spotify 等网站上的个性化推荐，都是机器学习的成果。
机器如何学习？
为了更好地理解“什么是机器学习”这个问题，我们必须了解机器可以自行“学习”的技术。 设备可以通过三种主要方式学习做事——监督学习、无监督学习和强化学习。 虽然近 70% 的 ML 是有监督的，但只有大约 10-20% 的 ML 是无监督学习。
监督学习
监督学习处理明确定义和概述的输入和输出，这里的算法通过标记的标签进行训练。 在监督学习中，学习算法接收定义的输入集和正确的输出集。 因此，该算法将根据它在接收到的输入和输出中感知到的模式来修改结构。 这是一种学习模式识别模型，涉及分类、回归、预测和梯度提升等方法。
监督学习通常应用于涉及历史数据的案例。 例如，使用信用卡交易的历史数据，监督学习可以预测未来发生错误或欺诈卡交易的可能性。
神经网络：现实世界中的应用
无监督学习
与使用历史数据集的监督学习相反，无监督学习是缺乏任何历史数据的应用程序。 在这种方法中，学习算法超越了数据，提出了恰当的结构——虽然数据没有标签，但算法根据数据各自的特征将数据分成更小的块，最常见的是借助决策树。 无监督学习是交易数据应用的理想选择，例如识别具有特定属性的客户群和集群。
无监督学习算法主要用于为单个用户组创建个性化内容。 购物平台上的在线推荐和数据异常值的识别是无监督学习的两个很好的例子。
强化学习
强化学习与传统的数据分析方法非常相似，其中算法通过试错法学习，然后以可能的最佳结果声明结果。 强化学习由三个基本组成部分组成——代理、环境和动作。 这里的代理是指学习者/决策者； 环境由代理与之交互的所有内容组成，动作是指代理可以执行的事情。
这种类型的学习有助于随着时间的推移改进算法，因为它会在检测到错误时继续调整算法。 谷歌地图路线是强化学习最优秀的例子之一。
现在您已经了解了什么是机器学习，包括可以让机器学习的类型，现在让我们看看当今世界上机器学习的各种应用。
这 6 种机器学习技术正在改善医疗保健
为什么机器学习在当今世界很重要？
在什么是机器学习之后，接下来是下一个重要的问题——“机器学习的重要性是什么？”
机器学习的主要重点是通过深入研究大量数据储备来帮助组织提高其整体功能、生产力和决策过程。 随着机器开始通过算法学习，它将帮助企业在数据中解开这些模式，从而帮助他们在不需要人工干预的情况下做出更好的决策。 除了这种前期优势，机器学习还具有以下优势：
及时分析评估
通过筛选客户反馈和交互等海量数据，ML 算法可以帮助您及时分析和评估您的组织战略。 当您通过浏览多个数据源创建业务模型时，您有机会查看相关变量。 通过这种方式，机器学习可以帮助您了解客户行为，从而使您能够相应地简化客户获取和数字营销策略。
通过快速处理实现实时预测
机器学习算法最令人印象深刻的特点之一是它们的速度非常快，因此来自多个来源的数据处理速度很快。 反过来，这有助于做出对企业非常有益的实时预测。 例如，
- 流失分析——它涉及识别那些可能离开你的品牌的客户群。
- 客户线索和转化——机器学习算法提供了对不同客户群的购买和消费模式的洞察，从而使企业能够设计出能够最大限度地减少损失和巩固利润的策略。
- 客户保留——机器学习算法可以帮助识别客户获取政策和营销活动中的积压。 有了这些见解，您可以调整您的业务策略并改善整体客户体验以留住您的客户群。
转型行业
机器学习已经开始改变行业，因为它能够实时提供有价值的见解。 金融和保险公司正在利用机器学习技术在大型数据集中识别有意义的模式，防止欺诈，并为不同的客户群提供定制的财务计划。 在医疗保健领域，由 ML 技术驱动的可穿戴设备和健身传感器使个人能够掌控自己的健康，从而最大限度地减少对医疗专业人员的压力。 机器学习也被石油和天然气行业用于寻找新能源、分析地下矿物、预测系统故障等。
从世界顶级大学学习 ML 课程。 获得硕士、Executive PGP 或高级证书课程以加快您的职业生涯。
机器学习工程师：神话与现实
当然，这一切只是冰山一角。 如果您想深入了解什么是机器学习，最好深入研究该技术。 我们希望我们能够帮助您了解什么是机器学习，至少在表面上是这样。 总是有很多事情要做和学习，仅仅问“什么是机器学习”只会有一点帮助。 现在是您深入挖掘并亲身体验该技术的时候了！
