深度学习、机器学习、人工智能——这些流行语代表了分析学的未来。 本文通过现实世界的事例来说明机器学习和深入学习是什么。 在接下来的文章中，搜索垂直用例。 这样做的目的不是让你成为数据科学家，而是让你更好地理解机器能做什么。 开发人员越来越容易使用机器学习，数据科学家经常与领域专家、设计师、开发人员和数据工程师一起工作，因此详细了解机器学习的可能性对每个人都很重要。 你业务生成的所有信息都有可能提高价值。 以后的文章旨在让你回顾自己的数据，找到新的机会。
什么是人工智能？
纵观人工智能的历史，其定义不断被改写。 人工智能是概括的术语(这个概念始于50年代)。 机器学习是AI的子集，深度学习是机器学习的子集。
1985年，当我是美国国家安全局的实习生时，人工智能也是非常受欢迎的话题。 NSA还参加了麻省理工学院人工智能专家系统的视频课程。 专家系统通过规则引擎获得专家的知识。 规则引擎广泛应用于金融和医疗等行业，最近被用于事件处理，但数据变化后规则的更新和维护变得非常困难。 机器学习的优点是从数据中学习，可以提供数据驱动的概率预测。
过去十年间，分析学发生了什么变化？
根据《哈佛商业评论》的托马斯达文波特，分析技术在过去十年中发生了翻天覆地的变化，商用服务器之间更强大、更低成本的分布式计算、流媒体分析、改进的机器学习技术使企业有更多、不同种类的德
像Apache Spark这样的技术使用迭代算法，在内存中在迭代之间缓存数据，使用更轻的线程，从而进一步加快分布式数据的并行处理。
图形处理单元(GPUs )可加快多核服务器的并行处理。 GPU有几千个旨在同时处理多任务的更小、更高效的核心组成的大规模并行体系结构，CPU由几个针对序列串行处理而优化的核心组成。 潜在的性能从Cray -1发展到现在拥有很多GPU的集群，其性能曾经是世界上最快的计算机的约100万倍，但成本微乎其微。
什么是机器学习？机器学习使用算法在数据中找到模式，使用能够识别这些模式的模型预测新的数据。
一般来说，机器学习可以分为监视型、非监视型、两者之间的三种类型。 监视学习算法使用标签数据，而不是监视学习算法在无标签数据中发现模式。 在半监视学习中，使用标签数据和无标签数据的混合。 强化学习训练算法根据反馈最大化奖励。
监督学习。
监视算法使用标签数据，这些数据的输入和目标结果或标签提供给算法。
监督学习也称为预测建模或预测分析。 因为我们建立了可以预测的模型。 预测建模的一些例子是分类和回归。 分类根据已知项目的标记例子(例如，知道是否是欺诈的交易)，识别项目属于哪个类别(例如，交易是否是欺诈)。 逻辑回归预测了概率——，例如欺诈的概率。 线性回归预测数值——，如欺诈的数量。
文/上海蓝盟 IT外包专家
中文
电话咨询
微信咨询
公众号
