机器学习，有时也称为核算智能，近年来现已突破了一些技能妨碍，并在机器人、机器翻译、交际网络、电子商务，乃至医药和医疗保健等范畴取得了重大进展。机器学习是人工智能的一个范畴，其方针是开发学习核算技能以及构建能够主动获取常识的体系。
学习体系是一种核算机程序，它经过成功处理曩昔的问题堆集的经历做出决议计划。虽然运用时刻不长，可是有许多不同的学习算法，该范畴是核算范畴最抢手的范畴之一，而且定时发布一些新的技能和算法。
机器学习vs人工智能
许多人以为机器学习和人工智能的意义是相同的，但这并不十分准确。人工智能有几种界说，这其间包含机器学习的广泛概念。一个被广泛承受的界说是，人工智能由依靠人类行为来处理问题的核算机制组成。换句话说，技能使核算机就像人类相同“考虑”来履行使命。
人类能够剖析数据，发现其间的形式或趋势，从中进行更正确的剖析，然后运用定论做出决议计划。在某种意义上，人工智能也遵从相同的准则。一般，人们完结使命越多，就越娴熟。这是具有学习才能的成果。常常重复或履行相关程序对人们来说是一种培训。在人工智能体系中也会发生相似的工作：揭露获取或记录在专用渠道上的数据用作人工智能算法的培训。
那么培训是怎么完结的?为此意图有几种算法。这一切都取决于运用程序以及它们背面的安排或人员。在这里，最重要的是知道在这一点上机器学习是有意义的。
什么是机器学习?
机器学习也是一个有多种界说的概念，但在其间心，机器学习是一个能够依据本身经历自主修正其行为的体系，其人为搅扰很小。这种行为修正基本上包含树立逻辑规矩，意图是前进使命的功用，或许依据运用程序做出最适合场景的决议计划。这些规矩是依据剖析数据中的形式辨认生成的。
例如，假如一个人在查找引擎中键入“英勇”这个词，该服务需求剖析一系列参数来决议是否显现相似于激怒或英勇的成果，这或许有两种意义。在很多可用参数中有用户查找前史：例如，假如在寻觅“英勇”之前几分钟，则最有或许呈现第二种意义。这是一个十分简略的比如，但它说明晰机器学习的一些重要方面。
重要的是，体系有必要依据很多数据进行剖析，这是查找者有必要抛弃的一个规范，因为他们接纳了数百万次拜访，因而这是一个培训规范。
另一个方面是继续的数据输入，有利于辨认新规范。假定“英勇”这个词成为与文明运动相关的俚语，经过机器学习，查找引擎将能够辨认指向该术语的新意义的形式，而且在一段时刻之后，将能够在查找成果中考虑它。
机器学习有几种办法。众所周知的一种办法称之为“深度学习”，其间很多数据来自多层人工神经网络，这些算法遭到处理杂乱问题的大脑神经元结构的启示，例如图画中的物体辨认。
机器学习的比如
机器学习的运用正在演变成各式各样的运用，人们当今具有的许多技能资源都依据人工智能和机器学习。
自治数据库 –
凭借机器学习，自治数据库处理曾经由管理人员(DBA)履行的若干使命，答应这些专业人员处理其他活动，然后下降因为人为过错导致的运用程序不可用的危险。
冲击付出体系中的诈骗行为 – 每秒都会发生各种信用卡诈骗和其他付出办法的测验。机器学习答应反诈骗体系在成功之前辨认其间的大部分。
文本翻译——翻译有必要考虑场景、区域表达式和其他参数。因为选用机器学习，主动翻译越来越准确。
内容引荐——视频和音频流渠道运用机器学习来剖析用户查看或回绝的内容的前史记录，以便为他们供给契合其志愿的主张。
营销和出售——依据曾经的购买引荐产品和服务的网站运用机器学习来剖析购买前史，并推行客户或许感兴趣的其他项目。这种捕获数据、剖析数据并运用它来定制购物体会的才能或施行营销活动是零售业的未来。
运送——剖析数据以辨认形式和趋势关于运送职业至关重要，这取决于开发更有用的道路，并猜测潜在问题以前进牢靠性和盈余才能。机器学习数据建模和剖析方面是运送厂商、公共交通和业界其他安排的重要东西。
石油和天然气 –
机器学习有助于发现新的动力，剖析土壤中的矿物质，猜测炼油厂传感器的毛病，加快石油的分配，使其愈加高效和经济。在这个职业中，机器学习运用程序的数量是巨大的，而且继续增长。
医疗保健 –
因为可穿戴设备和传感器的呈现，使医疗保健专业人员能够实时拜访患者数据，因而机器学习是医疗保健范畴不断开展的趋势。该技能还能够协助医学专家剖析数据，以辨认趋势或警报，然后改善确诊和医治。
机器学习中运用的办法
两种最广泛选用的机器学习办法是监督学习和无监督学习，但它们并不是仅有的办法。
经过符号示例练习监督学习算法，作为已知所需输出的输入。例如，设备或许具有符号为“F”(失利)或“E”(履行)的数据点。学习算法接纳一组输入以及相应的正确输出，并经过将实践输出与正确输出进行比较来学习以发现过错。然后它修正结算模型。经过分类、回归和梯度增强等办法，监督学习运用规范来猜测附加的非符号数据中的标签值。监督学习一般用于前史数据猜测或许的未来事情的运用中。例如，它能够猜测信用卡买卖何时或许是诈骗性的，或许哪些投保人倾向于要求其方针。
非监督学习用于针对没有前史标签的数据。“正确答案”未向体系陈述。算法有必要找出所显现的内容。方针是探究数据并在其间找到一些结构。无监督学习适用于买卖数据。例如，它能够辨认具有相似特点的客户群，然后能够在营销活动中对其进行相似处理;或许它能够找到分隔不同客户群的要害特点。常用的技能包含自安排映射、附近映射、k-均值分组和分解为奇特值。这些算法还用于切割文本主题、引荐项目和辨认数据中的差异点。
半监督学习用于与监督学习相同的运用程序，但处理有标签和无标签的数据进行培训——一般是用很多无标签数据符号的少数数据(因为没有标签的数据更廉价，而且需求花费更少的精力来获取)。这类学习可用于分类、回归和猜测等办法。当与标签相关的本钱太高而无法完成彻底符号的培训进程时，半监督学习十分有用。其典型比如包含在网络摄像头上辨认人脸。
强化学习一般用于机器人、游戏和导航。有了它，算法经过测验和过错发现，哪些行为会带来更大的报答。这种类型的学习有三个首要组成部分：署理(学习者或决议计划者)、环境(署理与之交互的一切内容)和举动(署理能够做什么)。方针是让署理挑选在给定时刻段内最大化预期报答的举动。假如署理遵从一个好的方针，能够更快地完成方针。因而，强化学习的重点是找出最佳战略。
数据发掘、机器学习和深度学习之间有什么区别?
虽然一切这些办法都有相同的方针，提取可用于决议计划的见地、形式和联系，但它们具有不同的办法和功用。
数据发掘能够被视为从数据中提取洞察力的许多不同办法的超集。它或许触及传统的核算办法和机器学习。数据发掘运用来自多个区域的办法来辨认数据中从前不知道的形式。这或许包含统核算法、机器学习、文本剖析、时刻序列剖析和其他剖析范畴。数据发掘还包含数据存储和操作的研讨和实践。
经过机器学习，意图是了解数据的结构。因而，核算模型背面有一个理论是经过数学证明的，但这要求数据也满意某些假定。机器学习是从运用核算机查看数据结构的才能开展而来的，即便人们不知道这种结构是什么姿态的。机器学习模型的测验是新数据中的验证过错，而不是证明空假定的理论测验。因为机器学习一般运用迭代的办法从数据中学习，因而能够轻松地主动学习。这些过程经过数据履行，直到找到一个牢靠的规范。
深度学习结合了核算才能的前进和特别类型的神经网络，以学习很多数据中的杂乱形式。深度学习技能是当今最先进的技能，用于辨认图片中的目标和语音中的单词。研讨人员正在测验将形式辨认方面的成功运用于更杂乱的使命，例如机器翻译、医疗确诊以及许多其他社会和企业问题。
虽然人工智能和机器学习的概念早已呈现，但它们开端成为干流运用的一部分。可是，现在仍处于起步阶段。假如人工智能和机器学习有用而且令人形象深入，当得到更好的练习和改善时，其施行将会愈加有用。
