Viking's Website

你为什么要关注机器学习?

机器学习已不是新兴的技术,就算你不会像开发人员一样使用它,作为消费者,你可能对它很熟悉。 当你把物品加入亚马逊购物车时, 亚马逊会根据你的喜好推荐其他产品 - 这就是机器学习的范例。 从本质上来说,机器学习是一种可以根据数据进行学习和制订规则的计算机程序

开发机器学习应用和开发其他标准应用不同。 机器学习开发人员不会为了解决特定问题编写代码,他们创建算法,收集数据,然后根据数据构建自己的逻辑。 亚马逊对客户行为和销售数据进行分析,决定他们最可能感兴趣的产品。和营销人员推荐的搭配销售的产品不同,客户的购物车和推荐的特定产品数量的比例不是 1:1。亚马逊分析了所有访问和销售数据,预测消费行为,推荐符合消费者需求的产品。 随着新产品和数据的持续输入,系统会对推荐的产品不断调整和改进。

你现在为什么应该关注机器学习? 随着物联网和互联设备的不断发展,我们现在能访问更多的数据,因此也更需要管理和了解这些数据。

而且,许多行业开始应用机器学习技术,开发人员有很多机会学习机器学习的原理,学习如何给产品带来价值。

机器学习算法的类型

监督式

训练数据包含有标输入和已知成果,机器不断学习直到能够独立使用标签。 比如,创建脸部识别算法,你需要提供风景、人物、动物和建筑等图像,附上各自的标签,直到机器在无标签的图像中能够准确识别脸部。

无监督式

机器分析无标签数据,根据得出的相似性对数据分类。 所以,你可以提供和上述示例相同的图像,但是不加标签。 机器会根据共同特点对图像分类(比如,城市风景的明晰轮廓对比脸部的圆形轮廓),但它不能把圆形等同于“脸部”。 这些程序能够在数据集中识别分组,而人眼几乎无法识别。

半监督式

监督式和无监督式的组合,只有部分数据无标签的情况下使用。 无监督式学习技术可用于无标签数据的分组和集群,监督式学习技术可用于预测标签。

强化学习

使用简单的奖励数据训练机器,使机器在特定环境下达到理想状态。

比手动速度快

机器学习的最大优势是工作效率大幅提高。 机器学习无法解决人类解决不了的问题,但是它可以接收大量数据,基于数据迅速建立连接,做出预测。 通过物联网和互联设备,人类生成越来越多的数据,机器学习的功能愈发重要。 头脑中搜寻一个在生活中生成数据的物品,如智能插座、计步器,然后计算一下每天它生成多少数据。 再乘以拥有它的人数。 我们越是彼此连接,会产生越多的信息。机器学习使我们发现重要模式和见解,速度非人力可及。

目标市场

接触数据的任何行业,不管是试图预测修复服务的制造工厂,还是无人驾驶汽车制造商,加深对数据的了解有助于获得更出色的优势。 以下是使用机器学习的部分行业: