机器学习,有时也被称为计算智能,近年来已经突破了一些技术障碍,在医疗保健等领域取得了重大进展。机器学习是人工智能的一个领域,其目标是开发学习计算技术并构建可以自动获取知识的系统。学习系统是一种计算机程序,它根据成功解决过去问题所积累的经验做出决策。尽管它相对年轻,但有许多不同的学习算法,并且该领域是计算领域最热门的领域之一,定期发布新技术和算法。MachineLearningvs.ArtificialIntelligence许多人认为机器学习和人工智能是同一个意思,但这并不十分准确。人工智能有多种定义,其中包括广义的机器学习概念。一个被广泛接受的定义是,人工智能由依赖人类行为来解决问题的计算机制组成。换句话说,技术使计算机能够像人类一样“思考”以执行任务。人类能够分析数据,发现其中的模式或趋势,从中做出更明智的分析,然后使用结论做出决策。从某种意义上说,人工智能的工作原理相同。一般来说,人们完成的任务越多,他们就会变得越熟练。这是能学的结果。重复或执行相关程序通常是对人的一种培训形式。人工智能系统中也会发生类似的事情:公开可用或记录在专用平台上的数据用于训练人工智能算法。那么训练是如何进行的呢?有几种算法可用于此目的。这完全取决于应用程序及其背后的组织或人员。在这里,最重要的是要知道机器学习在这一点上是有意义的。什么是机器学习?机器学习也是一个有很多定义的概念,但从本质上讲,机器学习是一种系统,可以根据自己的经验自主修改其行为,而人为干预最少。这种行为修改基本上包括建立逻辑规则以提高任务的性能,或者根据应用程序做出最适合场景的决策。这些规则是基于分析数据中的模式识别生成的。例如,如果一个人在搜索引擎中输入“勇敢”这个词,该服务需要分析一系列参数来决定是否显示类似于enraged或brave的结果,这可能有两种含义。在众多可用参数中,有用户的搜索历史记录:例如,如果几分钟前搜索了“勇敢”,则最有可能出现第二个意思。这是一个非常简单的例子,但它说明了机器学习的一些重要方面。重要的是系统必须针对大量数据进行分析,这是搜索者必须放弃的标准,因为他们收到了数百万次访问,因此这是一个培训标准。另一个方面是持续的数据输入,这有利于新标准的识别。假设“勇敢”这个词成为与文化运动相关的俚语,通过机器学习,搜索引擎将能够识别指向该术语新含义的模式,并且在一段时间后,将能够在搜索结果中考虑它。机器学习有几种方法。一种众所周知的方法称为“深度学习”,其中大量数据来自多层人工神经网络,这些算法受大脑神经元结构的启发,用于解决复杂问题,例如图像中的对象识别。机器学习的例子机器学习的使用正在演变成各种各样的应用,人们今天拥有的许多技术资源都是基于人工智能和机器学习的。自治数据库——在机器学习的帮助下,自治数据库可以处理以前由管理员(DBA)执行的多项任务,让这些有经验的人员可以处理其他活动,从而降低因人为错误导致应用程序不可用的风险。打击支付系统中的欺诈行为-每秒都会尝试进行信用卡欺诈和其他支付方式。机器学习允许反欺诈系统在他们成功之前识别出其中的大部分。文本翻译-翻译必须考虑场景、语言环境表达和其他参数。由于机器学习,自动翻译变得越来越准确。内容推荐——视频和音频流媒体平台使用机器学习来分析用户查看或拒绝内容的历史,以便为他们提供适合他们偏好的推荐。营销和销售——根据以前的购买推荐产品和服务的网站使用机器学习来分析购买历史并推广客户可能感兴趣的其他项目。这种捕获数据、分析数据并使用它来定制购物体验或实施营销活动的能力是零售业的未来。交通——分析数据以确定模式和趋势对交通行业至关重要,交通行业依赖于开发更高效的路线和预测潜在问题以提高可靠性和盈利能力。机器学习的数据建模和分析方面是运输制造商、公共交通和业内其他组织的重要工具。石油和天然气-机器学习有助于发现新能源、分析土壤中的矿物质、预测炼油厂传感器故障并加快石油分配,使其更高效、更经济。该行业的机器学习应用程序数量巨大,并且还在持续增长。医疗保健——由于可穿戴设备和传感器的出现,机器学习成为医疗保健领域的一个增长趋势,这些设备和传感器使医疗保健专业人员可以实时访问患者数据。该技术还可以帮助医学专家分析数据以识别趋势或警报,从而改进诊断和治疗。机器学习中使用的方法机器学习中采用最广泛的两种方法是监督学习和无监督学习,但它们并不是唯一的方法。监督学习算法是通过将示例标记为输入来训练的,其中所需的输出是已知的。例如,设备可能具有标记为“F”(失败)或“E”(已执行)的数据点。学习算法接收一组输入和相应的正确输出,并通过将实际输出与正确输出进行比较来学习发现错误。然后它修改计费模型。通过分类、回归和梯度提升等方法,监督学习使用标准来预测额外未标记数据中的标签值。监督学习通常用于使用历史数据预测未来可能事件的应用程序。例如,它可以预测信用卡交易何时可能是欺诈性的,或者哪些保单持有人倾向于索赔其保单。无监督学习用于没有历史标签的数据。没有向系统报告“正确答案”。算法必须弄清楚要显示什么。目标是探索数据并在其中找到一些结构。无监督学习适用于交易数据。例如,它可以识别具有相似属性的客户群,然后在营销活动中对这些客户群进行类似的处理;或者它可以找到区分不同客户群的关键属性。常用的技术包括自组织映射、邻近映射、k均值分组和分解为奇异值。这些算法还用于分割文本主题、推荐项目和识别数据中的差异点。半监督学习用于与监督学习相同的应用,但同时处理标记和未标记数据进行训练——通常是用大量未标记数据标记的少量数据(因为未标记数据更便宜且成本更低。更少)努力获得)。这种类型的学习可用于分类、回归和预测等方法。当与标记相关的成本对于完全标记的训练过程来说太高时,半监督学习很有用。这方面的典型示例包括识别网络摄像头上的人脸。强化学习通常用于机器人、游戏和导航。有了它,算法通过反复试验发现哪些行为会带来更大的回报。这种类型的学习包含三个主要组成部分:代理(学习者或决策者)、环境(代理与之交互的一切)和动作(代理可以做什么)。目标是让代理在给定时间段内选择具有预期回报的行动。如果智能体遵循好的策略,则可以更快地实现目标。因此,强化学习的重点是找到好的策略。尽管所有这些方法都有相同的目标,即提取可用于决策的见解、模式和关系,但它们具有不同的方法和功能。数据挖掘可以看作是许多从数据中提取见解的不同方法的超集。它可能涉及传统的统计方法以及机器学习。数据挖掘应用来自多个领域的方法来识别数据中以前未知的模式。这可能包括统计算法、机器学习、文本分析、时间序列分析和其他分析领域。数据挖掘还包括数据存储和操作的研究和实践。机器学习的目标是理解数据的结构。因此,统计模型背后有一个经过数学证明的理论,但它要求数据也满足某些假设。机器学习从使用计算机检查数据结构的能力演变而来,即使人们不知道该结构是什么样子。机器学习模型的测试是新数据中的验证错误,而不是证明零假设的理论测试。由于机器学习通常使用迭代方法从数据中学习,因此可以轻松实现自动化。通过数据执行这些步骤,直到找到可靠的标准。深度学习结合了计算能力的进步和特殊类型的神经网络来学习大量数据中的复杂模式。深度学习技术是识别图片中的对象和语音中的单词的最先进技术。研究人员正试图将模式识别的成功应用于更复杂的任务,例如机器翻译、医学诊断以及许多其他社会和企业问题。尽管人工智能和机器学习的概念由来已久,但它们正开始成为主流应用的一部分。然而,它仍处于起步阶段。如果人工智能和机器学习有用且令人印象深刻,那么在经过更好的培训和改进后,它们的实施将会更加有效。
