大数据、分析、物联网、云技术……在过去的几年里，如果没有这些术语，你就无法参与有关技术的讨论和对话。他们已成为技术领域的主要参与者，影响着业务的方方面面。变化似乎正在以极快的速度发生，而且丝毫没有放缓的迹象。今天，技术唯一不变的就是变化本身。不断的变化需要不断的创新，因此需要引入更多的新技术。进入技术对话的新技术之一是机器学习。Gartner将机器学习列为2016年十大技术趋势之一。毫无疑问，这是一个热门话题。一切旧的都是新的我发现有趣的是机器学习的基础可以追溯到70年代和80年代初的AI研究。当时的工作受到计算机性能和数据利用的限制。突破这些限制一直是近年来机器学习实现飞跃的关键。计算周期和数据利用率水平在几十年前是不可想象的。机器学习的目标听起来很简单：为系统提供基于信息的学习能力。听起来很简单，但这是对经典软件工程的挑战。我们熟悉的大多数“硬编码”软件开发系统的行为都是基于计划和预期的用户数据交互。标准的“if–then–else”模型。AI/ML的算法要求更为复杂。他们需要让系统根据输入形成自己的分析模型。这些模式根据提供的信息不断变化。根据数据和这些模式，确定行为。从描述中可以看出，这将导致非常不确定的行为。系统会对提供的信息进行分析、理解和反应，根据更多信息调整行为，然后提供反馈。随着时间的推移，分析和行为不断变化和改进。想象一下运行一个适合这个系统的测试！（待讨论的话题）您正在享受机器学习带来的便利您有Netflix帐户吗？亚马逊？每次您登录时，Netflix和亚马逊都会为您提供一份推荐列表。两家公司都有非常复杂的专有算法。通过这些算法，可以分析包含您与所有其他成员之间交易的庞大信息组。根据这些数据，他们建立了一个你预期行为的模型，并为你提出了一系列建议。你对这些建议的反应也会反馈到算法中，然后不断调整以适应你的行为模式。你的智能手机呢？考虑简单句子“先生，今天天气怎么样？”的复杂性。首先，该软件需要识别您的声音、口音和说话方式，以确定您实际说了什么。如果不太确定，软件会要求确认，并从您的确认中学习。每次您使用语音识别时，您的手机都会更好地理解您在说什么。一旦它理解了你说的话，它就会将自然语言处理成有意义的语言进入系统。这反过来又需要复杂的算法来分析语音信息，创建模型，然后对其翻译执行指令。分析语音时，如果不确定，软件会立即提示确认。你说话的方式和你使用语言的环境的模型会向系统提供反馈。一切都与数据有关在最近的TechCrunch文章“初创企业如何在人工智能和机器学习领域与企业竞争”中，JohnMelas-Kyriazi谈到数据：“我们将资源用于训练机器学习模型，它将创建一个巨大的网络影响。’我找到了一个非常恰当的类比。复杂的算法和模型是机器学习的引擎，但如果没有燃料，引擎——数据——将无法很好地工作。我的一位同事JohnWilliams（CollaborativeConsulting的首席战略官）多年来一直喜欢说“一切都与数据有关”。在机器学习的世界里，这再正确不过了。
