机器学习是什么?——一个初学者的指南

机器学习是一个越来越普遍的概念。随着深度学习和人工智能,它是一个热词,发现在科技新闻。但机器学习是什么?它是用于什么?我们看一看所有你需要知道的关于这种迷人的技术的基础知识。

以及探索一个机器学习的定义,我们也会看一些当前使用的不同类型以及他们的应用程序是什么。我们也会看一些职业使用机器学习和一些你需要的技能开始。

机器学习的定义

让我们从头开始,机器学习的定义。如果你快速搜索短语,“机器学习是什么?你会得到许多不同的结果和定义。从简单到复杂,有很多方法来定义机器学习。证明这是一个多大的独特,广泛和技术概念。

更重要的是,有许多其他相关条款,您需要掌握了解机器学习的核心。我们列出了一些关键的定义如下:

机器学习

我们可以把机器学习的科学让电脑自动学习。这是一种人工智能(AI),让电脑像人类,并改善他们的学习当他们遇到更多的数据。

通过机器学习,电脑可以学会做决定和预测不直接编程。流程使用算法来构建模型,可以应用于许多不同的目的。

算法

简而言之,一个算法是一组指令,计算机需要遵循完成某一特定任务。与机器学习算法分析输入数据来预测输出值在一个可接受的范围内。

这些算法接收新数据时,他们学习的优化过程,这意味着他们提高性能,变得更聪明。我们会看到,有四个主要类型中使用机器学习:监督学习、无监督学习,semi-supervised学习,强化学习。

人工智能

人工智能(AI)是计算机科学的一个分支,重点发展计算机和机器可以执行任务,通常需要人类智慧。这样的软件系统的运作故意的,聪明的和自适应的方式。

AI系统经常使用实时数据和输入响应情况和做决定。他们能够分析大量的信息在很短的时间。机器学习是人工智能的一个子集。

深度学习

深度学习是机器学习领域。它着重于创建算法受大脑。他们自己也知道,这些人工神经网络是基于大脑的结构和功能。

以同样的方式,人类从经验中学习,深入学习模式也不断调整自己的性能改进。这种类型的机器学习通常是用于任务需要某种形式的思想。我们将探索深度学习和机器学习在一个单独的文章。

机器学习的基本知识

现在,我们有一个机器学习的定义,让我们看一些非常基本的迷人的领域。让事情变得容易,我们不太深入地研究背后的力学概念。然而,我们将包括有用的链接和在适当的地方课程更详细的阅读。

一个很好的起点是解释的机器学习算法是如何工作的。有一个很著名的报价,就是这么做的。它来自汤姆•米切尔机器学习的美国教授和专家。他解释了机器学习的意义如下条款:

计算机程序是说从经验中学习E对一些任务T和性能测量P,如果T上其性能,以P, E提高有经验。”

让我们分解,更用一个例子。假设你想要一个机器学习程序来预测天气模式在一个特定的区域(任务T)。你可以喂过去天气模式数据通过你的算法(E)的经验。如果你的算法是成功的在学习,它将能够更准确地预测天气模式(性能指标P)。

当然,不只是一种类型的算法可以适用于一切。在现实中,有成千上万的高度专业化的工具和程序开发各种各样的现实问题。

主要类型的机器学习算法

现在,我们已经回答了“什么是机器学习?在基本条款,让我们看一看一些不同类型的机器学习算法。正如我们已经提到的,有许多不同的。在这里,我们将讨论一些机器学习的基础知识。

毫升着手解决许多问题需要一个定制的方法。因此,每个所需类型的指令将会非常不同。然而,通常这些算法分为四个主要类别:

监督式学习

机器学习的方法,你训练算法学习使用一组标签的数据。已经有一些已知的答案,它可以确定新数据是否匹配。它产生的结果,它可以评估他们基于你已经提供了信息。你给它最初的数据越多,就越知道看不见的数据。

无监督学习

这种类型的机器学习算法,该项目是受过专门训练的数据,不是标签。它不知道数据所代表的含义。相反,计算机检测模式中发现规则,总结有数据间的关系。

Semi-supervised学习

如您所料,这种类型的算法使用上述两方面的内容。您提供的数据来教机器就会有一些标签,用于帮助过程较大的未标记的数据集。

强化学习

这个机器学习的方法是集中在持续学习和奖励使用未标记的数据。一个有用的思考方式与视频游戏这个概念。如果电脑游戏获胜,它收到积极的反馈。

它可以继续细化举措需要赢得这场比赛变得更加有效。通常,这意味着重演它数千或数百万次并获得反馈。

机器学习是什么用的?

你可能接触到机器学习算法每天没有意识到这一点。更重要的是,我们刚刚开始表面划痕的机器学习和深度学习能做什么。

如果你想知道什么是机器学习用途,我们强调了几个创造性的方式您可能会遇到的技术:

• 自动化。也许最引人注目的机器学习使用人类通常执行的自动化任务。电脑来思考和行动的能力没有编程有令人难以置信的潜力。
• 建议。基于之前的输入数据,机器学习可以推荐的产品和服务,用户或客户可能会喜欢。这也许是最常见的一种形式的机器学习你会看到在你的日常生活。
• 的见解。机器学习算法可以处理和分析大量的数据。常用在大数据领域,这样的见解可以帮助企业了解顾客和医疗专业人员了解他们的病人。
• 检测。机器学习的工作方式使它适合发现异常模式。当算法学习什么是“正常”,人们变得更善于检测当事情出错。

这些只是小样本机器学习领域的类型。激动人心的是,这一领域还相对年轻。随着计算能力的增加和算法变得更复杂,我们会看到更多的用途机器学习。

机器学习的例子

给一个清晰的机器学习是如何被使用的今天,让我们来探讨一些现实生活中的实例的技术工作。其中一些机器学习直接的例子是你可能遇到的,而另一些可能会影响你的方式你从来没有注意到。

搜索引擎

像谷歌这样的搜索引擎以各种不同的方式使用机器学习。通过观察用户如何应对结果显示当你搜索,算法可以改进显示哪个页面。谷歌的RankBrain算法评估用户可能当他们搜索。

理解这种类型的算法在事情中扮演一个重要组成部分搜索引擎优化(搜索引擎优化)和其他形式的数字营销。这也意味着你得到有用的,当你在网上搜索相关和高质量的结果。

语音识别

虚拟个人助理已经存在了一段时间了。服务,如Siri, Alexa,谷歌现在,你可以问问题,设置提醒,甚至控制家里的各种元素。所有这些语音识别和使用语言分析采用机器学习。

通过深入学习算法和神经网络,这些数字助理可以执行许多功能。通常,数据收集的人来说,他们就会变得越精确。

欺诈检测

在我们的许多金融服务电子平台,欺诈和诈骗的风险增加。应对这些问题,制定了机器学习算法。这些项目工作在大型数据集找到相关用户行为可能导致欺诈行为。他们看大规模模式识别是超乎寻常的。

机器学习的一个好例子在减少欺诈是丹麦银行工作。以前,他们的劳动密集型的方法检查欺诈1200假阳性一天。他们只检测欺诈行为的40%。通过引入一个深度学习解决方案,节省时间,减少了60%的假阳性,真阳性增加了50%。

医学诊断

另一个领域是产生大量的数据医疗保健。患者个体以及群体,创建信息诊断,治疗,和条件。这些大数据集可以帮助构建预测模型在一系列疾病及其治疗方法。

IBM ' s的华生基因组学例如,利用人工智能和ML允许临床医生为癌症患者提供个性化护理。这种类型的精确的医学方法可以为更多的人意味着更多的有效的治疗方法。至于机器学习应用程序,这是一个最有价值的。

客户支持

相比一些其他用途的机器学习,这可能看起来有点单调。然而,它仍然是一个很好的例子毫升的行动。通过使用算法来评估客户和公司之间的相互作用,可以创建聊天机器人和虚拟助理。

这些服务响应查询和模拟真实的对话,改善客户体验。他们可以帮助确保客户得到他们所需的帮助,同时为组织节省时间和金钱。另外,数据chatbot或者助理收到越多,它可以帮助客户更准确。

什么类型的职业和工作用毫升?

如果你感兴趣,你读过什么,您可能想知道什么工作你可以与机器学习的知识。如您所料领域的范围,有很多机会。我们选了下面几个值得注意的。

机器学习工程师

如您所料,机器学习的核心工程师这个迷人的领域。他们的人创建的算法和程序,让计算机学习。如果你想知道如何成为机器学习工程师,你可以找到更多的信息在我们的机器学习职业建议页面。

数据科学家

数据科学领域的重点是发现和探索在数据模式。这个观点是用来帮助企业和组织做出决定并克服障碍。核心数据科学家的作用是一个对机器学习算法的理解。他们是用于处理大量的数据,并得出结论。

软件开发人员

许多机器学习的概念也适用于软件开发人员和软件工程师的角色。双方立场关注使用编程语言和创建模型和算法来解决问题。机器学习的理解可以帮助软件开发。

商业智能分析

机器学习和人工智能可以(可能)扮演了一个重要的部分在商业智能(BI)。作为一个角色专注于理解模式、异常和机会,BI分析师可以使用毫升获得实时的见解。他们还可以产生更精确的预测,提高自动评估更多的数据。

我需要什么技能开始使用机器学习?

如果你感兴趣的职业生涯在机器学习中,您可能想知道的一些技能和知识你需要开始。通常情况下,您将需要至少一个学士学位和一些相关经验,获得了机器学习的工作。然而,有很多技能你可以开始构建你的知识。

我们挑选出的软硬技能可以帮助你进入机器学习。这些类型的专业技能,雇主希望看到任何想要在这个行业工作。

计算机科学及编程

排在第一位的机器学习所需的技能是编程和计算机科学。了解算法的工作原理以及如何创建它们,你也会想知道一些编程语言。机器学习,Python是一种有用的起点,语言,像R、Java和c++是有用的。

数学和统计

许多机器学习模型是基于概率和统计。在这些概念的理解是至关重要的你了解毫升的应用。同样,你需要一个高水平的数学技能使用复杂的算法。

数据建模和分析

许多机器学习的工作的核心部分是数据分析。能够模型和评估大量信息是至关重要的。我们看到在我们的机器学习和深度学习的定义,数据创建和改进ML算法的核心。

适应性

像许多类似的新兴技术,机器学习行业正迅速改变。能够适应这些变化是至关重要的,如果你想工作的部门。更重要的是,个人角色可能是完全动态的,这意味着你要思考你的脚来评估新情况。

沟通

不管你是与不同学科、不同背景的人合作或解释你的发现非专家,沟通技巧是机器学习的必需品。你需要理解和被理解,尤其是在通常你会在快节奏的环境。

解决问题

最终,机器学习解决问题,是否直接或间接。知道正确的问题来解决和有条理,考虑为你的机器学习方法是非常重要的资产。

开始使用机器学习

如果你想了解机器学习和它的一些核心原则,有多种方法可以开始。我们已经挑出一些资源,可以提高你的知识在各种相关领域。以及一些机器学习课程对于初学者来说,我们也有一些更深入的学习机会。

• 在线机器学习课程。你能找到我们对机器学习主题的选择课程,可以介绍一些关键领域的相关话题。
• 在线人工智能课程。找到更多关于人工智能和机器学习在一般情况下,我们也有各种各样的课程主题。
• 为业务ExpertTrack数据分析。在这里,你可以详细看一下企业如何使用数据分析。
• 软件开发与Python和Java ExpertTrack。了解这两种编程语言,可用于机器学习。
• 数据分析使用Python ExpertTrack。如果你感兴趣如何使用Python编程分析,这提供了一个详细的了解。
• 深入学习和Python编程对微软Azure ExpertTrack AI。我们的一个先进的机器学习课程专注于深度学习。
• 人工智能与微软Azure ExpertTrack设计和工程。另一个高级课程专注于人工智能学习及其实际应用。

最终的想法

所以,机器学习是什么?显然,这是一个有趣的、有价值的和发展的技术领域。教学电脑学习和提高自己,我们可以继续扩大人工智能和深度学习提供的可能性。

如果你想学习机器学习,有几种方法可以构建自己的知识和经验。通过从事各种软硬技能,你可以发展你的专长。