關(guān)于機器學(xué)習(xí)最簡單的定義來自于Berkeley所表述的:機器學(xué)習(xí)是AI的一個分支，它探索了讓計算機根據(jù)經(jīng)驗提高效率的方法。

為了更深刻的理解這一定義，接下來我們將對其進行拆分分析。

AI的分支：人工智能是一種能夠使得計算機及其系統(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)。機器學(xué)習(xí)是訓(xùn)練計算機完成上述任務(wù)的技術(shù)和過程，是其必不可少的一部分。

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

幫助計算機以提高其性能：大多數(shù)情況下，要讓計算機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)驗為基礎(chǔ)：提供具有經(jīng)驗的AI的另一種說法—為其提供數(shù)據(jù)。隨著更多數(shù)據(jù)被輸入系統(tǒng)，計算機可以更準確地對它以及將遇到的未來數(shù)據(jù)做出響應(yīng)。

 

機器學(xué)習(xí)如何運作？

 

讓我們來看看機器學(xué)習(xí)是如何運作的：

收集：機器學(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，并以不同的語言表示�？赡苄枰�在數(shù)據(jù)集中添加或刪除信息，因為某些實例可能缺少信息，而其他實例可能包含不需要的或無關(guān)的條目。它的準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，另一組用于評估算法。

訓(xùn)練：這個階段主要是為了找到準確完成所選目標的函數(shù)。根據(jù)所使用的模型類型，采用不同的訓(xùn)練形式：如，在簡單的線性回歸模型中擬合一條線、生成隨機森林算法的決策樹。為了更好地理解我們拿神經(jīng)網(wǎng)絡(luò)來說，一般算法碰到數(shù)據(jù)集的一部分時，將會嘗試處理數(shù)據(jù)。測量其自身的性能并自動調(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，它將再次使用沒有見過的數(shù)據(jù)進行測量。此過程允許你防止過度擬合，但這種情況僅發(fā)生在學(xué)習(xí)算法運行良好同時又與你的訓(xùn)練數(shù)據(jù)相關(guān)的情況下。

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

 

是否有不同類型的機器學(xué)習(xí)？

 

在機器學(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、無監(jiān)督和強化。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)：其特點是在訓(xùn)練模型時明確標記每個數(shù)據(jù)點的正確結(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)點時，可以正確的做出預(yù)測或分類。

如在對股票價格的研究中，分析數(shù)據(jù)點之間的關(guān)系，可以用回歸學(xué)習(xí)算法對下個數(shù)據(jù)點做出預(yù)測。

無監(jiān)督學(xué)習(xí)：該類學(xué)習(xí)的特征是算法在訓(xùn)練模型時期不對結(jié)果進行標記，而直接在數(shù)據(jù)點之間找有意義的關(guān)系，它的價值在于發(fā)現(xiàn)模式以及相關(guān)性。如，一個喜歡這瓶酒的人也喜歡這一個。

強化學(xué)習(xí)：這種類型的學(xué)習(xí)是有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的結(jié)合。它通常用于解決更復(fù)雜的問題。在實踐中，該類學(xué)習(xí)類型可應(yīng)用于控制機器人手臂、找到最有效的電機組合、機器人導(dǎo)航等領(lǐng)域。同時邏輯游戲也很適合強化學(xué)習(xí)如撲克等。強化學(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。

 

機器學(xué)習(xí)可以應(yīng)用到哪里？

 

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

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

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

最后一個規(guī)范性階段是最先進的機器學(xué)習(xí)階段，該階段已被應(yīng)用與企業(yè)活動中，并且在新興企業(yè)的推動下不斷向前發(fā)展。在針對有效和高效的業(yè)務(wù)實踐時了解原因、動機和背景是最佳決策的先決條件，而只預(yù)測行為或結(jié)果是不夠的。具體地說，當人和機器結(jié)合起來時，這個階段是可能的。機器學(xué)習(xí)用于找到有意義的關(guān)系并預(yù)測結(jié)果，而數(shù)據(jù)專家則充當翻譯者，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)測性洞察之外，感興趣的朋友還可以了解一下另一個機器學(xué)習(xí)應(yīng)用程序：流程自動化。這里是關(guān)于這兩個概念的介紹和對比。

以下是機器學(xué)習(xí)可以解決的問題的一些示例。

 

物流和生產(chǎn)：

 

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

<!--[if !supportLists]-->lJaybridge Robotics可實現(xiàn)工業(yè)級車輛自動化，以實現(xiàn)更高效的運營；

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

<!--[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ERP/ERM需要；預(yù)測資產(chǎn)故障和維護，提高質(zhì)量保證，提高生產(chǎn)線性能。

 

銷售和營銷：

 

<!--[if !supportLists]-->l 6sense預(yù)測哪種鉛更容易被買，哪個時間更容易被買入；

<!--[if !supportLists]-->l Salesforce Einstein幫助預(yù)測銷售機會并自動完成任務(wù)；

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

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

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

<!--[if !supportLists]-->l 其他示例包括：預(yù)測客戶的生命周期價值，提高客戶細分準確度，檢測客戶購物模式以及優(yōu)化用戶的應(yīng)用內(nèi)體驗。

 

人力資源：

 

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

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

 

金融：

 

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

<!--[if !supportLists]-->l Dataminr可以通過提供有關(guān)社交趨勢和突發(fā)新聞的早期警報來協(xié)助實時財務(wù)決策；

<!--[if !supportLists]-->l 其他例子包括：檢測欺詐行為和預(yù)測股票價格。

 

衛(wèi)生保健：

 

<!--[if !supportLists]-->l Atomwise使用預(yù)測模型來減少藥物生產(chǎn)時間；

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

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

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

 

 

文章原標題《Understanding Machine Learning》

 

作者：Charles A.R

譯者：烏拉烏拉

標簽： 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！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。