分享

什么是机器学习?

TechTarget将机器学习定义为 “……一种 人工智能(AI),无需明确编程即可为计算机提供学习能力。它专注于开发可以在接触新数据时成长和变化的自我学习计算机程序。机器学习的过程与数据挖掘的过程相似。两个系统都通过搜索数据来寻找规律。但是,机器学习没有像数据挖掘应用程序那样提取供人类理解的数据,而是使用这些数据来改善程序本身的理解。机器学习程序检测数据中的模式并相应地调整程序操作。”

在Teradata,我们认为机器学习在大数据环境中异常强大,因为机器可以使用巨大数据量来测试假设,随着条件的变化完善业务规则,并快速准确地识别异常情况和异常值。

基于机器学习的软件系统使用大量数据进行培训,并学习根据经验采取行动,使机器学习在解决问题方面处于优势。

机器学习有什么用途?

图像识别:图像识别是最重要的机器学习应用之一,是识别和检测数字图像中特征或对象的一种方式。此技术可用于许多附加方案,包括模式识别、人脸检测、人脸识别和光学字符识别。在图像识别中使用机器学习包括从图像中提取关键特征并将这些关键特征传输到可靠的机器学习模型中。

数据检索:非结构化数据(称为数据检索)中提取知识或结构化数据的过程是机器学习的另一个重要用途,因为许多设备在使用中会创建大量数据。当涉及到大数据时,机器学习对于获取非结构化数据并提取其包含的见解至关重要。

情绪分析:情绪分析过程,有时被称为意见挖掘或情绪分类,根据个人在写作中的情感线索确定他们的态度。情绪分析的目的是确定人们的想法,无论是好、坏、还是中立。查看网站和决策应用程序也受益于情绪分析。机器学习由监督和无人监督的学习算法组成,这两种算法都用于情绪分析。

欺诈检测:欺诈检测,特别是在线欺诈检测,是机器学习的更高级应用,可高效提供用户网络安全,甚至为企业减少损失和最大化利润提供一种途径。机器学习用于欺诈检测大大优于传统的欺诈检测方法。

客户购物建议:通过机器学习,您最喜爱的网上购物网站可以按需定制给你提供无论是产品、服务、或特别优惠。机器学习方法,如监督、半监督、无人监督、强化,都是基于推荐的系统不可或缺的一部分。

是否有不同类型的机器学习?

机器学习算法的类型定义不止一种,但通常可以根据它们的目的被分成类别。主要类别包括:

监督学习:该模型在带有输入和输出参数的标签数据集上进行培训。培训和验证数据集都标有标签。

半监督学习:将未标记的数据用于培训——通常少量标记数据与大量未标记数据。

无人监督的学习:也被称为自组织,无人监督的学习用于在没有预先存在标签的数据集中查找以前未知的模式,并允许对给定输入的概率密度进行建模。

强化学习:解决软件代理应如何在环境中采取行动,以最大限度地提高累积奖励的概念。与受监督的学习不同,不需要标记输入/输出对,次优操作不需要明确更正。重点是在勘探和开发之间取得平衡。

机器学习和深度学习有什么区别?

机器学习和深度学习之间的一些基本区别是:

工作原理

机器学习使用自动化算法,利用它提供的数据来预测未来的决策和建模功能。

深度学习使用神经网络解释数据特征和关系,神经网络通过数据处理的多个阶段传递相关信息。

管理和方向

在机器学习中,算法由分析师指导,用于检查不同的数据集变量。

而深度学习中,算法通常会针对相关数据分析进行自定向。

数据点量

机器学习使用几千个数据点进行分析。
深度学习利用数百万个数据进行分析。

输出

机器学习输出通常是数字的,例如分数或分类。

深度学习输出可能是分数、元素、文本、声音或其他标识符。

机器学习和人工智能有什么区别?

它们是什么

机器学习(ML)是获取知识或技能。

人工智能(AI)是获取和应用知识的能力。

应用目的

AI专注于成功,而不是准确性。

ML专注于准确性,而不是成功。

工作原理

AI是一个“智能”计算机程序。

ML是一种从数据中吸收和学习的简单机器。

终极目标

AI通过模拟自然智能来解决复杂的问题。

ML是以任务为中心,致力于最大限度地提高指定任务的机器性能。

它们做什么

AI根据数据做出决策。

ML是一个从摄入的数据中学习的系统。

他们创造什么

AI开发一个系统,模拟特定情况下人类的反应和行为。

ML生成自学算法。

每个产品的最终产品

AI生产智能(商业、消费者、市场等)。

ML产生可以被进一步检查的知识。