關(guān)于機(jī)器學(xué)習(xí)最簡(jiǎn)單的定義來(lái)自于Berkeley所表述的:機(jī)器學(xué)習(xí)是AI的一個(gè)分支，它探索了讓計(jì)算機(jī)根據(jù)經(jīng)驗(yàn)提高效率的方法。

為了更深刻的理解這一定義，接下來(lái)我們將對(duì)其進(jìn)行拆分分析。

AI的分支：人工智能是一種能夠使得計(jì)算機(jī)及其系統(tǒng)能夠成功完成通常需要人類智能行為才能完成的任務(wù)的研究和開發(fā)。機(jī)器學(xué)習(xí)是訓(xùn)練計(jì)算機(jī)完成上述任務(wù)的技術(shù)和過(guò)程，是其必不可少的一部分。

探索方法：現(xiàn)階段機(jī)器學(xué)習(xí)技術(shù)仍在不停地涌現(xiàn)，雖然一些用于訓(xùn)練計(jì)算機(jī)的模型已經(jīng)被識(shí)別和使用，但由于不同的業(yè)務(wù)問(wèn)題需要不同的模型，在訓(xùn)練計(jì)算機(jī)時(shí)也可以使用不同的模型，隨著時(shí)間的推移將會(huì)開發(fā)出更多模型。

幫助計(jì)算機(jī)以提高其性能：大多數(shù)情況下，要讓計(jì)算機(jī)完成人工智能的任務(wù)，它需要借助于人工幫助去練習(xí)和適應(yīng)。

以經(jīng)驗(yàn)為基礎(chǔ)：提供具有經(jīng)驗(yàn)的AI的另一種說(shuō)法—為其提供數(shù)據(jù)。隨著更多數(shù)據(jù)被輸入系統(tǒng)，計(jì)算機(jī)可以更準(zhǔn)確地對(duì)它以及將遇到的未來(lái)數(shù)據(jù)做出響應(yīng)。

 

機(jī)器學(xué)習(xí)如何運(yùn)作？

 

讓我們來(lái)看看機(jī)器學(xué)習(xí)是如何運(yùn)作的：

收集：機(jī)器學(xué)習(xí)取決于數(shù)據(jù)，第一步是確保按照你要解決的問(wèn)題的要求擁有適合的數(shù)據(jù)。

清理：數(shù)據(jù)可以由不同的源生成，包含在不同的文件格式中，并以不同的語(yǔ)言表示。可能需要在數(shù)據(jù)集中添加或刪除信息，因?yàn)槟承��?shí)例可能缺少信息，而其他實(shí)例可能包含不需要的或無(wú)關(guān)的條目。它的準(zhǔn)備工作將影響其可用性和結(jié)果的可靠性。

拆分：根據(jù)數(shù)據(jù)集的大小，可能只需要一部分。從所選樣本中，應(yīng)將數(shù)據(jù)分為兩組：一組用于訓(xùn)練算法，另一組用于評(píng)估算法。

訓(xùn)練：這個(gè)階段主要是為了找到準(zhǔn)確完成所選目標(biāo)的函數(shù)。根據(jù)所使用的模型類型，采用不同的訓(xùn)練形式：如，在簡(jiǎn)單的線性回歸模型中擬合一條線、生成隨機(jī)森林算法的決策樹。為了更好地理解我們拿神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，一般算法碰到數(shù)據(jù)集的一部分時(shí)，將會(huì)嘗試處理數(shù)據(jù)。測(cè)量其自身的性能并自動(dòng)調(diào)整其參數(shù)（也稱為反向傳播），直到它能不斷產(chǎn)生期望的結(jié)果具有足夠的可靠性。直到它能不斷產(chǎn)生期望的結(jié)果，并具有足夠的可靠性。

評(píng)估：一旦算法在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，它將再次使用沒(méi)有見過(guò)的數(shù)據(jù)進(jìn)行測(cè)量。此過(guò)程允許你防止過(guò)度擬合，但這種情況僅發(fā)生在學(xué)習(xí)算法運(yùn)行良好同時(shí)又與你的訓(xùn)練數(shù)據(jù)相關(guān)的情況下。

優(yōu)化：該模型針對(duì)目標(biāo)應(yīng)用程序內(nèi)的集成進(jìn)行了優(yōu)化，以確保其效率。

 

是否有不同類型的機(jī)器學(xué)習(xí)？

 

在機(jī)器學(xué)習(xí)中可以使用許多不同的模型，但它們通常被分為三種不同的學(xué)習(xí)類型：監(jiān)督、無(wú)監(jiān)督和強(qiáng)化。根據(jù)要完成的任務(wù)，有些模型比其他模型更合適、性能更好。

監(jiān)督學(xué)習(xí)：其特點(diǎn)是在訓(xùn)練模型時(shí)明確標(biāo)記每個(gè)數(shù)據(jù)點(diǎn)的正確結(jié)果，以便找它們之間的關(guān)系，確保在引入未分配的數(shù)據(jù)點(diǎn)時(shí)，可以正確的做出預(yù)測(cè)或分類。

如在對(duì)股票價(jià)格的研究中，分析數(shù)據(jù)點(diǎn)之間的關(guān)系，可以用回歸學(xué)習(xí)算法對(duì)下個(gè)數(shù)據(jù)點(diǎn)做出預(yù)測(cè)。

無(wú)監(jiān)督學(xué)習(xí)：該類學(xué)習(xí)的特征是算法在訓(xùn)練模型時(shí)期不對(duì)結(jié)果進(jìn)行標(biāo)記，而直接在數(shù)據(jù)點(diǎn)之間找有意義的關(guān)系，它的價(jià)值在于發(fā)現(xiàn)模式以及相關(guān)性。如，一個(gè)喜歡這瓶酒的人也喜歡這一個(gè)。

強(qiáng)化學(xué)習(xí)：這種類型的學(xué)習(xí)是有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的結(jié)合。它通常用于解決更復(fù)雜的問(wèn)題。在實(shí)踐中，該類學(xué)習(xí)類型可應(yīng)用于控制機(jī)器人手臂、找到最有效的電機(jī)組合、機(jī)器人導(dǎo)航等領(lǐng)域。同時(shí)邏輯游戲也很適合強(qiáng)化學(xué)習(xí)如撲克等。強(qiáng)化學(xué)習(xí)的其他應(yīng)用在物流、日程安排和任務(wù)的戰(zhàn)略規(guī)劃中也很常見。

 

機(jī)器學(xué)習(xí)可以應(yīng)用到哪里？

 

企業(yè)需要考慮機(jī)器學(xué)習(xí)開發(fā)的三個(gè)階段及其應(yīng)用。這三個(gè)階段是指：描述性階段，預(yù)測(cè)性階段和規(guī)范性階段。

描述性階段是指記錄和分析歷史數(shù)據(jù)增強(qiáng)商業(yè)智能。向管理者提供描述性信息，并更好地理解過(guò)去行動(dòng)和決策的結(jié)果和后果。這個(gè)過(guò)程現(xiàn)在已成為全球大多數(shù)大型企業(yè)的常規(guī)工作。

應(yīng)用機(jī)器學(xué)習(xí)的第二階段是預(yù)測(cè)。收集數(shù)據(jù)并使用它來(lái)預(yù)測(cè)特定結(jié)果可以提高反應(yīng)性，使其更高效地做出決策。

最后一個(gè)規(guī)范性階段是最先進(jìn)的機(jī)器學(xué)習(xí)階段，該階段已被應(yīng)用與企業(yè)活動(dòng)中，并且在新興企業(yè)的推動(dòng)下不斷向前發(fā)展。在針對(duì)有效和高效的業(yè)務(wù)實(shí)踐時(shí)了解原因、動(dòng)機(jī)和背景是最佳決策的先決條件，而只預(yù)測(cè)行為或結(jié)果是不夠的。具體地說(shuō)，當(dāng)人和機(jī)器結(jié)合起來(lái)時(shí)，這個(gè)階段是可能的。機(jī)器學(xué)習(xí)用于找到有意義的關(guān)系并預(yù)測(cè)結(jié)果，而數(shù)據(jù)專家則充當(dāng)翻譯者，以了解關(guān)系存在的原因。這樣，就可以更精確地作出決策。

此外，除了預(yù)測(cè)性洞察之外，感興趣的朋友還可以了解一下另一個(gè)機(jī)器學(xué)習(xí)應(yīng)用程序：流程自動(dòng)化。這里是關(guān)于這兩個(gè)概念的介紹和對(duì)比。

以下是機(jī)器學(xué)習(xí)可以解決的問(wèn)題的一些示例。

 

物流和生產(chǎn)：

 

<!--[if !supportLists]-->lRethink Robotics使用機(jī)器學(xué)習(xí)來(lái)訓(xùn)練機(jī)器人手臂并提高生產(chǎn)速度；

<!--[if !supportLists]-->lJaybridge Robotics可實(shí)現(xiàn)工業(yè)級(jí)車輛自動(dòng)化，以實(shí)現(xiàn)更高效的運(yùn)營(yíng)；

<!--[if !supportLists]-->l <!--[endif]-->Nanotronics自動(dòng)化光學(xué)顯微鏡以改進(jìn)檢查；

<!--[if !supportLists]-->l Netflix和Amazon根據(jù)用戶需求優(yōu)化資源分配；

<!--[if !supportLists]-->l 其他例子包括：預(yù)測(cè)ERP/ERM需要；預(yù)測(cè)資產(chǎn)故障和維護(hù)，提高質(zhì)量保證，提高生產(chǎn)線性能。

 

銷售和營(yíng)銷：

 

<!--[if !supportLists]-->l 6sense預(yù)測(cè)哪種鉛更容易被買，哪個(gè)時(shí)間更容易被買入；

<!--[if !supportLists]-->l Salesforce Einstein幫助預(yù)測(cè)銷售機(jī)會(huì)并自動(dòng)完成任務(wù)；

<!--[if !supportLists]-->l <!--[endif]-->Fusemachines通過(guò)AI助手自動(dòng)完成銷售任務(wù)；

<!--[if !supportLists]-->l AirPR提供了提高公關(guān)績(jī)效的洞察力；

<!--[if !supportLists]-->l Retention Science建議跨渠道行動(dòng)以推動(dòng)參與；

<!--[if !supportLists]-->l 其他示例包括：預(yù)測(cè)客戶的生命周期價(jià)值，提高客戶細(xì)分準(zhǔn)確度，檢測(cè)客戶購(gòu)物模式以及優(yōu)化用戶的應(yīng)用內(nèi)體驗(yàn)。

 

人力資源：

 

<!--[if !supportLists]-->l Entelo幫助招聘人員識(shí)別和鑒定候選人；

<!--[if !supportLists]-->l hiQ協(xié)助管理人員進(jìn)行人才管理。

 

金融：

 

<!--[if !supportLists]-->l Cerebellum Capital和Sentient利用機(jī)器學(xué)習(xí)驅(qū)動(dòng)的軟件增強(qiáng)投資管理決策；

<!--[if !supportLists]-->l Dataminr可以通過(guò)提供有關(guān)社交趨勢(shì)和突發(fā)新聞的早期警報(bào)來(lái)協(xié)助實(shí)時(shí)財(cái)務(wù)決策；

<!--[if !supportLists]-->l 其他例子包括：檢測(cè)欺詐行為和預(yù)測(cè)股票價(jià)格。

 

衛(wèi)生保�。�

 

<!--[if !supportLists]-->l Atomwise使用預(yù)測(cè)模型來(lái)減少藥物生產(chǎn)時(shí)間；

<!--[if !supportLists]-->l Deep6 Analytics確定符合條件的患者進(jìn)行臨床試驗(yàn)；

<!--[if !supportLists]-->l 其他例子包括：更準(zhǔn)確地診斷疾病，改善個(gè)性化護(hù)理和評(píng)估健康風(fēng)險(xiǎn)。

你可以在Sam DeBrule匯集的精彩列表中找到更多機(jī)器學(xué)習(xí)和人工智能以及其他相關(guān)資源的示例。

 

 

文章原標(biāo)題《Understanding Machine Learning》

 

作者：Charles A.R

譯者：烏拉烏拉

標(biāo)簽： 金融 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。