借助計算機,我們現在可以計算空間的廣度和亞原子粒子的微小複雜性。
由於電子通過其電路以光速行進,計算機在計數和計算以及遵循邏輯是/否過程方面擊敗了人類。
然而,我們並不經常將它們視為“智能”,因為在過去,如果沒有人類的教導(編程),計算機就無法執行任何操作。
機器學習,包括深度學習和 人工智能,已成為科技頭條的流行詞。
機器學習似乎無所不在,但許多使用這個詞的人很難充分定義它是什麼、它做什麼以及它的最佳用途。
本文旨在闡明機器學習,同時提供該技術如何工作的具體、現實示例,以說明其為何如此有益。
然後,我們將研究各種機器學習方法,並了解如何使用它們來應對業務挑戰。
最後,我們將查閱水晶球,對機器學習的未來進行一些快速預測。
什麼是機器學習?
機器學習是計算機科學的一門學科,它使計算機能夠從數據中推斷出模式,而無需明確告知這些模式是什麼。
這些結論通常基於使用算法自動評估數據的統計特徵並開發數學模型來描述各種值之間的關係。
將此與基於確定性系統的經典計算進行對比,在經典計算中,我們明確地為計算機提供了一組要遵循的規則,以使其執行特定任務。
這種計算機編程方式稱為基於規則的編程。 機器學習不同於並優於基於規則的編程,因為它可以自行推導出這些規則。
假設您是一名銀行經理,想要確定貸款申請是否會失敗。
在基於規則的方法中,銀行經理(或其他專家)會明確通知計算機,如果申請人的信用評分低於一定水平,則申請應被拒絕。
然而,機器學習程序只需分析有關客戶信用評級和貸款結果的先前數據,並自行確定該閾值應為多少。
機器從以前的數據中學習並以這種方式創建自己的規則。 當然,這只是機器學習的入門知識; 現實世界的機器學習模型比基本閾值要復雜得多。
儘管如此,它很好地展示了機器學習的潛力。
如何 機 學習?
為了簡單起見,機器通過檢測可比數據中的模式來“學習”。 將數據視為您從外部世界收集的信息。 機器輸入的數據越多,它就會變得越“聰明”。
然而,並非所有數據都是相同的。 假設您是一名海盜,其人生目標是發現島上埋藏的財富。 您需要大量的知識來找到獎品。
這些知識就像數據一樣,可以帶你走正確的路,也可以帶你走錯誤的路。
獲取的信息/數據越多,模糊性就越少,反之亦然。 因此,考慮向機器提供學習的數據類型至關重要。
然而,一旦提供了大量數據,計算機就可以做出預測。 只要未來與過去沒有太大偏差,機器就可以預測未來。
機器通過分析歷史數據來“學習”以確定可能發生的情況。
如果舊數據與新數據相似,那麼您對先前數據的看法很可能適用於新數據。 就好像你回顧過去是為了展望未來。
機器學習有哪些類型?
機器學習算法通常分為三大類型(儘管也使用其他分類方案):
- 監督學習
- 無監督學習
- 強化學習
監督學習
監督機器學習是指為機器學習模型提供帶有感興趣數量(該數量通常稱為響應或目標)的明確標籤的數據集合的技術。
為了訓練人工智能模型,半監督學習混合使用了標記數據和未標記數據。
如果您正在使用未標記的數據,則需要進行一些數據標記。
標記是標記樣品的過程,以幫助 訓練機器學習 模型。 標籤主要由人完成,這可能既費錢又費時。 但是,有一些技術可以使標記過程自動化。
我們之前討論的貸款申請情況是監督學習的一個很好的例證。 我們有關於前貸款申請人信用評級(可能還有收入水平、年齡等)的歷史數據,以及告訴我們該人是否拖欠貸款的具體標籤。
回歸和分類是監督學習技術的兩個子集。
- 分類 – 它利用算法對數據進行正確分類。 垃圾郵件過濾器就是一個例子。 “垃圾郵件”可以是一個主觀類別 - 垃圾郵件和非垃圾郵件通信之間的界限很模糊 - 並且垃圾郵件過濾器算法會根據您的反饋不斷完善自身(意味著人類標記為垃圾郵件的電子郵件)。
- 數據復原測試 – 它有助於理解因變量和自變量之間的聯繫。 回歸模型可以根據多個數據源預測數值,例如某個公司的銷售收入估計。 線性回歸、邏輯回歸和多項式回歸是一些著名的回歸技術。
無監督學習
在無監督學習中,我們得到未標記的數據,只是尋找模式。 讓我們假設您是亞馬遜。 我們能否根據客戶購買歷史找到任何集群(相似消費者的群體)?
即使我們沒有關於一個人的偏好的明確的、結論性的數據,在這種情況下,只要知道一組特定的消費者購買類似的商品,我們就可以根據集群中其他人也購買的商品提出購買建議。
亞馬遜的“您可能也感興趣”輪播也是由類似的技術提供支持。
無監督學習可以通過聚類或關聯對數據進行分組,具體取決於您想要分組的內容。
- 聚類 – 無監督學習試圖通過搜索數據中的模式來克服這一挑戰。 如果存在相似的簇或組,算法將以某種方式對它們進行分類。 嘗試根據以前的購買歷史對客戶進行分類就是一個例子。
- 協會 – 無監督學習試圖通過理解不同群體背後的規則和含義來應對這一挑戰。 關聯問題的一個常見示例是確定客戶購買之間的鏈接。 商店可能有興趣了解哪些商品是一起購買的,並且可以使用此信息來安排這些產品的位置以便於訪問。
強化學習
強化學習是一種教導機器學習模型在交互式環境中做出一系列以目標為導向的決策的技術。 上面提到的遊戲用例很好地說明了這一點。
您不必輸入 AlphaZero 數千個以前的國際象棋遊戲,每個遊戲都標記有“好”或“差”的棋步。 只需教它遊戲規則和目標,然後讓它嘗試隨機行為。
對使計劃更接近目標的活動給予積極的強化(例如建立穩固的棋子位置)。 當行為產生相反的效果時(例如過早地改變國王),他們就會獲得負強化。
軟件最終可以通過這種方法掌握遊戲。
強化學習 廣泛用於機器人技術,以教機器人完成複雜且難以設計的動作。 它有時與道路基礎設施(例如交通信號)結合使用,以改善交通流量。
機器學習可以做什麼?
機器學習在社會和工業中的使用正在推動人類各項事業的進步。
在我們的日常生活中,機器學習現在控制著谷歌的搜索和圖像算法,讓我們能夠在需要的時候更準確地匹配到我們需要的信息。
例如,在醫學領域,機器學習被應用於遺傳數據,以幫助醫生了解和預測癌症的傳播方式,從而開發出更有效的療法。
來自深空的數據正在地球上通過大型射電望遠鏡收集 - 經過機器學習分析後,它正在幫助我們揭開黑洞的神秘面紗。
零售業的機器學習將買家與他們希望在線購買的商品聯繫起來,還幫助商店員工量身定制為實體世界的客戶提供的服務。
機器學習被用於打擊恐怖主義和極端主義,以預測那些想要傷害無辜者的行為。
自然語言處理(NLP)是指讓計算機通過機器學習來理解人類語言並與我們交流的過程,它帶來了翻譯技術以及我們每天越來越多地使用的語音控制設備的突破,例如Alexa、Google dot、Siri 和 Google 助理。
毫無疑問,機器學習正在證明它是一種變革性技術。
機器人能夠與我們一起工作,並以其完美的邏輯和超人的速度提升我們的創造力和想像力,這不再是科幻小說中的幻想——它們正在許多領域成為現實。
機器學習用例
1.網絡安全
隨著網絡變得越來越複雜,網絡安全專家不懈努力,以適應不斷擴大的安全威脅範圍。
應對快速發展的惡意軟件和黑客策略已經足夠具有挑戰性,但物聯網 (IoT) 設備的激增從根本上改變了網絡安全環境。
攻擊可以在任何時間、任何地點發生。
值得慶幸的是,機器學習算法使網絡安全操作能夠跟上這些快速發展的步伐。
預測分析 能夠更快地檢測和緩解攻擊,而機器學習可以分析您在網絡內的活動,以檢測現有安全機制中的異常和弱點。
2. 客戶服務自動化
管理越來越多的在線客戶聯繫人給組織帶來了很大的壓力。
他們根本沒有足夠的客戶服務人員來處理他們收到的大量詢問,而且傳統的方法是將問題外包給客戶 聯絡中心 對於當今的許多客戶來說,這是無法接受的。
由於機器學習技術的進步,聊天機器人和其他自動化系統現在可以滿足這些需求。 通過自動化日常和低優先級的活動,公司可以騰出人員來承擔更高級別的客戶支持。
如果正確使用,商業中的機器學習可以幫助簡化問題解決,並為消費者提供有用的支持,使他們成為堅定的品牌擁護者。
3。 通訊
避免錯誤和誤解在任何類型的溝通中都至關重要,在當今的商業溝通中更是如此。
簡單的語法錯誤、不正確的語氣或錯誤的翻譯都可能導致電子郵件聯繫、客戶評價、 視頻會議,或多種形式的基於文本的文檔。
機器學習系統的先進通信能力遠遠超過了微軟 Clippy 的鼎盛時期。
這些機器學習示例通過使用自然語言處理、實時語言翻譯和語音識別幫助人們簡單而準確地進行交流。
儘管許多人不喜歡自動更正功能,但他們也重視免受尷尬錯誤和不當語氣的影響。
4. 物體識別
雖然收集和解釋數據的技術已經存在了一段時間,但事實證明,教會計算機系統理解它們正在查看的內容是一項看似困難的任務。
由於機器學習的應用,越來越多的設備添加了對象識別功能。
例如,一輛自動駕駛汽車在看到另一輛車時就會識別出另一輛車,即使程序員沒有給它提供該車的確切示例作為參考。
這項技術現已應用於零售企業,以幫助加快結賬過程。 攝像頭可以識別消費者購物車中的產品,並在消費者離開商店時自動向他們的賬戶計費。
5。 數字營銷
當今的大部分營銷都是通過一系列數字平台和軟件程序在線完成的。
當企業收集有關消費者及其購買行為的信息時,營銷團隊可以使用這些信息來詳細了解目標受眾,並發現哪些人更傾向於尋找他們的產品和服務。
機器學習算法幫助營銷人員理解所有數據,發現重要的模式和屬性,使他們能夠對可能性進行嚴格分類。
同樣的技術可以實現大規模的數字營銷自動化。 可以設置廣告系統,動態發現新的潛在消費者,並在適當的時間和地點向他們提供相關的營銷內容。
機器學習的未來
隨著越來越多的企業和大型組織使用該技術來應對特定挑戰或推動創新,機器學習無疑越來越受歡迎。
這種持續的投資表明了人們對機器學習正在產生投資回報率的理解,特別是通過上述一些已建立的和可複制的用例。
畢竟,如果這項技術對於 Netflix、Facebook、亞馬遜、谷歌地圖等來說足夠好,那麼它很可能也可以幫助您的公司充分利用其數據。
作為新 機器學習 隨著模型的開發和推出,我們將見證跨行業使用的應用程序數量的增加。
這已經發生了 人臉識別,這曾經是 iPhone 上的一項新功能,但現在正在廣泛應用於各種程序和應用程序中,尤其是那些與公共安全相關的程序和應用程序。
對於大多數嘗試開始使用機器學習的組織來說,關鍵是超越光明的未來願景,發現該技術可以幫助您應對的真正業務挑戰。
結論
在後工業化時代,科學家和專業人士一直試圖創造一種行為更像人類的計算機。
思維機器是人工智能對人類最重要的貢獻; 這種自行式機器的驚人到來迅速改變了公司的運營法規。
自動駕駛汽車、自動化助理、自主製造員工和智能城市最近證明了智能機器的可行性。 機器學習革命以及機器學習的未來將長期伴隨我們。
發表評論