多亏了计算机,我们现在可以计算出空间的广度和亚原子粒子的微小复杂性。
由于电子通过其电路以光速传播,计算机在计数和计算以及遵循逻辑是/否过程方面击败了人类。
然而,我们并不经常将它们视为“智能”,因为在过去,如果没有人类的教导(编程),计算机就无法执行任何操作。
机器学习,包括深度学习和 人工智能,已成为科技头条的流行语。
机器学习似乎无处不在,但许多使用这个词的人很难充分定义它是什么、它做什么以及它最适合做什么。
本文旨在阐明机器学习,同时提供该技术如何工作的具体、真实的示例来说明它为何如此有益。
然后,我们将研究各种机器学习方法,并了解它们如何用于应对业务挑战。
最后,我们将参考我们的水晶球来快速预测机器学习的未来。
什么是机器学习?
机器学习是计算机科学的一门学科,它使计算机能够从数据中推断出模式,而无需明确地教授这些模式是什么。
这些结论通常基于使用算法自动评估数据的统计特征并开发数学模型来描述各种值之间的关系。
将此与基于确定性系统的经典计算进行对比,在经典计算中,我们明确地为计算机提供一组规则以使其完成特定任务。
这种对计算机进行编程的方式被称为基于规则的编程。 机器学习不同于并优于基于规则的编程,因为它可以自行推断这些规则。
假设您是一位银行经理,他想确定贷款申请是否会因他们的贷款而失败。
在基于规则的方法中,银行经理(或其他专家)会明确告知计算机,如果申请人的信用评分低于一定水平,则应拒绝申请。
但是,机器学习程序将简单地分析有关客户信用评级和贷款结果的先前数据,并自行确定该阈值应该是多少。
机器从以前的数据中学习并以这种方式创建自己的规则。 当然,这只是机器学习的入门; 现实世界的机器学习模型比基本阈值要复杂得多。
尽管如此,这还是机器学习潜力的绝佳展示。
如何 机 学?
为简单起见,机器通过检测可比数据中的模式来“学习”。 将数据视为您从外部世界收集的信息。 机器输入的数据越多,它就会变得越“聪明”。
但是,并非所有数据都是相同的。 假设您是一名海盗,其人生目标是发掘岛上埋藏的财富。 您将需要大量的知识来找到奖品。
这种知识,就像数据一样,可以带你走正确或错误的道路。
获取的信息/数据越多,歧义就越少,反之亦然。 因此,重要的是要考虑您提供给机器学习的数据类型。
但是,一旦提供了大量数据,计算机就可以做出预测。 只要与过去相差不大,机器就可以预测未来。
机器通过分析历史数据来“学习”以确定可能发生的事情。
如果旧数据与新数据相似,那么您对以前数据所说的话很可能适用于新数据。 就好像你在回首往事一样。
机器学习有哪些类型?
机器学习算法通常分为三大类(尽管也使用其他分类方案):
- 监督学习
- 无监督学习
- 强化学习
监督学习
有监督的机器学习是指给机器学习模型一个数据集合的技术,这些数据带有针对感兴趣的数量(这个数量通常被称为响应或目标)的明确标签。
为了训练 AI 模型,半监督学习混合使用了标记和未标记的数据。
如果您正在处理未标记的数据,则需要进行一些数据标记。
标记是标记样品的过程,以帮助 训练机器学习 模型。 标签主要由人完成,这可能既费钱又费时。 但是,有一些技术可以使标记过程自动化。
我们之前讨论的贷款申请情况就是监督学习的一个很好的例证。 我们有关于前贷款申请人信用评级(可能还有收入水平、年龄等)的历史数据,以及告诉我们有关人员是否拖欠贷款的特定标签。
回归和分类是监督学习技术的两个子集。
- 分类 – 它利用算法对数据进行正确分类。 垃圾邮件过滤器就是一个例子。 “垃圾邮件”可能是一个主观类别——垃圾邮件和非垃圾邮件通信之间的界限是模糊的——垃圾邮件过滤算法会根据您的反馈(即人类标记为垃圾邮件的电子邮件)不断完善自身。
- 数据复原测试 – 它有助于理解因变量和自变量之间的联系。 回归模型可以根据多个数据源预测数值,例如某家公司的销售收入估算。 线性回归、逻辑回归和多项式回归是一些突出的回归技术。
无监督学习
在无监督学习中,我们得到未标记的数据,只是在寻找模式。 让我们假设你是亚马逊。 我们可以根据客户的购买历史找到任何集群(相似的消费者群体)吗?
即使我们没有关于一个人的偏好的明确、确凿的数据,在这种情况下,只要知道一组特定的消费者购买了类似的商品,我们就可以根据集群中其他人也购买的商品提出购买建议。
亚马逊的“您可能也感兴趣”轮播由类似技术提供支持。
无监督学习可以通过聚类或关联对数据进行分组,具体取决于您想要组合在一起的内容。
- 聚类 – 无监督学习试图通过在数据中搜索模式来克服这一挑战。 如果有相似的集群或组,算法会以某种方式对它们进行分类。 尝试根据以前的购买历史对客户进行分类就是一个例子。
- 社区 – 无监督学习试图通过理解不同群体背后的规则和意义来应对这一挑战。 关联问题的一个常见示例是确定客户购买之间的联系。 商店可能有兴趣了解一起购买了哪些商品,并且可以使用此信息来安排这些产品的定位以便于访问。
强化学习
强化学习是一种教机器学习模型在交互式环境中做出一系列目标导向决策的技术。 上面提到的游戏用例很好地说明了这一点。
您不必输入 AlphaZero 以前的数千场国际象棋比赛,每场比赛都标有“好”或“差”的着法。 简单地教它游戏规则和目标,然后让它尝试随机行为。
积极强化使程序更接近目标的活动(例如发展稳固的棋子位置)。 当行为产生相反的效果时(例如过早地改变国王),它们会获得负强化。
该软件最终可以使用这种方法来掌握游戏。
强化学习 广泛用于机器人技术,以教机器人完成复杂且难以设计的动作。 它有时与道路基础设施(例如交通信号)结合使用,以改善交通流量。
机器学习可以做什么?
机器学习在社会和工业中的应用正在推动人类广泛努力的进步。
在我们的日常生活中,机器学习现在控制着谷歌的搜索和图像算法,让我们能够在需要时更准确地匹配所需的信息。
例如,在医学领域,机器学习正被应用于遗传数据,以帮助医生了解和预测癌症的传播方式,从而开发出更有效的疗法。
地球上的大型射电望远镜正在收集来自深空的数据——经过机器学习分析后,它正在帮助我们解开黑洞的奥秘。
零售业的机器学习将买家与他们希望在网上购买的东西联系起来,还帮助商店员工定制他们为实体世界的客户提供的服务。
机器学习被用于打击恐怖主义和极端主义,以预测那些希望伤害无辜者的行为。
自然语言处理(NLP)是指通过机器学习让计算机以人类语言理解并与我们交流的过程,它带来了翻译技术的突破以及我们每天越来越多地使用的语音控制设备,例如Alexa、Google dot、Siri 和 Google 助手。
毫无疑问,机器学习正在证明它是一种变革性技术。
能够与我们一起工作并以其完美的逻辑和超人的速度提升我们自己的创意和想象力的机器人不再是科幻小说的幻想——它们正在许多领域成为现实。
机器学习用例
1。 网络安全
随着网络变得越来越复杂,网络安全专家不知疲倦地工作以适应不断扩大的安全威胁范围。
应对快速发展的恶意软件和黑客攻击策略具有足够的挑战性,但物联网 (IoT) 设备的普及已经从根本上改变了网络安全环境。
攻击可以在任何时间、任何地点发生。
值得庆幸的是,机器学习算法使网络安全运营能够跟上这些快速发展的步伐。
预测分析 可以更快地检测和缓解攻击,而机器学习可以分析您在网络中的活动,以检测现有安全机制中的异常和弱点。
2.客户服务自动化
管理越来越多的在线客户联系人给组织带来了很大压力。
他们根本没有足够的客户服务人员来处理他们收到的大量询问,而且传统的方法是将问题外包给客户 联络中心 对于当今的许多客户来说,这是无法接受的。
由于机器学习技术的进步,聊天机器人和其他自动化系统现在可以满足这些需求。 公司可以通过自动化平凡和低优先级的活动来腾出人员来承担更高级别的客户支持。
如果使用得当,商业中的机器学习可以帮助简化问题的解决,并为消费者提供有助于他们成为坚定品牌拥护者的有用支持。
3。 通讯
避免错误和误解在任何类型的沟通中都至关重要,但在当今的商业沟通中更是如此。
简单的语法错误、不正确的语气或错误的翻译都可能导致电子邮件联系、客户评价、 视频会议,或多种形式的基于文本的文档。
机器学习系统拥有先进的通信能力,远远超出了微软 Clippy 的鼎盛时期。
这些机器学习示例通过使用自然语言处理、实时语言翻译和语音识别,帮助个人进行简单而准确的交流。
虽然许多人不喜欢自动更正功能,但他们也重视避免尴尬的错误和不恰当的语气。
4. 物体识别
虽然收集和解释数据的技术已经存在了一段时间,但教计算机系统了解它们正在查看的内容已被证明是一项看似困难的任务。
由于机器学习应用,越来越多的设备正在添加对象识别功能。
例如,自动驾驶汽车在看到另一辆车时会识别出另一辆车,即使程序员没有给出该车的确切示例作为参考。
这项技术现在被用于零售企业,以帮助加快结账流程。 摄像头识别消费者购物车中的产品,并在他们离开商店时自动为其账户计费。
5。 数字营销
今天的大部分营销都是在线完成的,使用一系列数字平台和软件程序。
随着企业收集有关其消费者及其购买行为的信息,营销团队可以使用这些信息来构建其目标受众的详细图片,并发现哪些人更倾向于寻找他们的产品和服务。
机器学习算法帮助营销人员理解所有这些数据,发现重要的模式和属性,使他们能够对可能性进行严格分类。
同样的技术可以实现大型数字营销自动化。 可以建立广告系统以动态发现新的潜在消费者,并在适当的时间和地点向他们提供相关的营销内容。
机器学习的未来
随着越来越多的企业和大型组织使用该技术来应对特定挑战或推动创新,机器学习肯定越来越受欢迎。
这种持续的投资表明了一种理解,即机器学习正在产生投资回报,特别是通过上述一些已建立和可重现的用例。
毕竟,如果该技术对 Netflix、Facebook、亚马逊、谷歌地图等来说足够好,那么它很有可能也可以帮助您的公司充分利用其数据。
随着新 机器学习 随着模型的开发和发布,我们将见证跨行业使用的应用程序数量的增加。
这已经发生在 人脸识别,这曾经是 iPhone 上的一项新功能,但现在正在广泛应用于各种程序和应用程序中,尤其是那些与公共安全相关的程序和应用程序。
对于大多数试图开始使用机器学习的组织来说,关键是要超越光明的未来愿景,发现该技术可以帮助您应对的真正业务挑战。
结论
在后工业化时代,科学家和专业人士一直在努力创造一种行为更像人类的计算机。
思考机器是人工智能对人类最重要的贡献; 这种自行式机器的惊人到来迅速改变了公司的运营规则。
自动驾驶汽车、自动助手、自主制造员工和智慧城市最近证明了智能机器的可行性。 机器学习革命,机器学习的未来,将伴随我们很长一段时间。
发表评论