MGPHPZJ

Hello, friends! Welcome!

我们生活在“数据时代”,它具有更好的计算能力和更多的存储资源。这些数据或信息日益增加,但真正的挑战是理解所有数据。企业和组织正试图通过使用数据科学,数据挖掘和机器学习的概念和方法构建智能系统来应对它。其中,机器学习是计算机科学中最激动人心的领域。如果我们将机器学习称为为数据提供意义的算法的应用和科学,那就没有错。

什么是机器学习?
机器学习(ML)是计算机科学领域,借助于该计算机科学计算机系统可以以与人类相同的方式提供数据感知。

简单来说,ML是一种人工智能,它通过使用算法或方法从原始数据中提取模式。 ML的主要焦点是允许计算机系统从经验中学习而无需明确编程或人为干预。

需要机器学习
在这个时刻,人类是地球上最聪明,最先进的物种,因为他们可以思考,评估和解决复杂的问题。另一方面,人工智能仍处于起步阶段,在许多方面都没有超越人类智慧。那么问题是什么需要让机器学习?这样做的最合适的理由是“根据数据,效率和规模做出决策”。

最近,组织正在大力投资人工智能,机器学习和深度学习等新技术,以便从数据中获取关键信息,以执行多项实际任务并解决问题。我们可以将其称为机器采用的数据驱动决策,尤其是自动化流程。在不能编程的问题中,可以使用这些数据驱动的决策,而不是使用编程逻辑。事实是,我们离不开人类的智慧,但其他方面是我们都需要以大规模的效率解决现实问题。这就是为什么需要机器学习的原因。

为什么以及何时机器学习?
我们已经讨论过机器学习的必要性,但另一个问题是,在什么情况下我们必须让机器学习?在某些情况下,我们需要机器以高效率和大规模的方式采取数据驱动的决策。以下是使机器学习更有效的一些情况。

缺乏人文专业知识
我们希望机器学习并采取数据驱动决策的第一种情况可能是缺乏人类专业知识的领域。示例可以是未知地区或空间行星的导航。

动态场景
有些情况本质上是动态的,即它们随时间不断变化。在这些场景和行为的情况下,我们希望机器学习并采取数据驱动的决策。一些示例可以是组织中的网络连接和基础架构的可用性。

难以将专业知识转化为计算任务
可能存在人类拥有其专业知识的各种领域;但是,他们无法将这些专业知识转化为计算任务。在这种情况下,我们想要机器学习。这些例子可以是语音识别,认知任务等领域。

机器学习模型
在讨论机器学习模型之前,我们必须要了解米切尔教授给出的以下ML的正式定义 。

“据说计算机程序可以从经验E中学习某些任务T和绩效指标P,如果它在T中的任务中的表现,由P测量,则随经验E而提高。”

上述定义主要关注三个参数,也是任何学习算法的主要组成部分,即任务(T),性能(P)和经验(E)。在这种情况下,我们可以将此定义简化为ML是一个AI领域,由学习算法组成 。

提高他们的表现(P)
执行某项任务(T)
随着时间的推移经验(E)

现在让我们更详细地讨论它们

任务(T)
从问题的角度来看,我们可以将任务T定义为要解决的现实问题。问题可能是在特定位置找到最佳房价或找到最佳营销策略等。另一方面,如果我们谈论机器学习,任务的定义是不同的,因为很难通过以下方法解决基于ML的任务:传统的编程方法。

当任务T基于该过程并且系统必须遵循对数据点进行操作时,任务T被称为基于ML的任务。基于ML的任务的示例是分类,回归,结构化注释,聚类,转录等。

经验(E)
顾名思义,它是从提供给算法或模型的数据点获得的知识。一旦提供了数据集,模型将迭代运行并将学习一些固有模式。这样获得的学习称为经验(E)。与人类学习类比,我们可以将这种情况视为人类正在学习或从情境,人际关系等各种属性中获得一些经验。监督,无监督和强化学习是学习或获得经验的一些方法。 ML模型或算法获得的经验将用于解决任务T.

表现(P)
ML算法应该随着时间的推移执行任务和获得经验。告知ML算法是否按预期执行的度量是其性能(P)。 P基本上是一个量化指标,用于说明模型如何使用其经验来执行任务T。有许多指标有助于理解ML性能,例如准确度得分,F1得分,混淆矩阵,精度,召回,敏感等

机器学习中的挑战
虽然机器学习正在迅速发展,在网络安全和自动驾驶汽车方面取得重大进展,但整个人工智能领域仍有很长的路要走。背后的原因是ML无法克服许多挑战。 ML目前面临的挑战是 –

数据质量 – 拥有ML算法的高质量数据是最大的挑战之一。使用低质量数据会导致与数据预处理和特征提取相关的问题。

耗时的任务 – ML模型面临的另一个挑战是时间消耗,尤其是数据采集,特征提取和检索。

缺乏专业人员 – 由于ML技术仍处于起步阶段,专家资源的可用性是一项艰巨的任务。

没有明确的目标来制定业务问题 – 没有明确的目标和明确的业务问题目标是ML的另一个关键挑战,因为这项技术尚未成熟。

过度拟合和欠拟合问题 – 如果模型过度拟合或欠拟合,则无法很好地表示问题。

维度诅咒 – ML模型面临的另一个挑战是数据点的功能太多。这可能是一个真正的障碍。

部署困难 – ML模型的复杂性使得在现实生活中部署起来非常困难。

机器学习的应用
机器学习是增长最快的技术,据研究人员称,我们正处于AI和ML的黄金年。它用于解决传统方法无法解决的许多现实世界的复杂问题。以下是ML的一些实际应用 –

  • 情绪分析
  • 情绪分析
  • 错误检测和预防
  • 天气预报和预测
  • 股市分析与预测
  • 语音合成
  • 语音识别
  • 客户细分
  • 物体识别
  • 欺诈识别
  • 预防诈骗
  • 在线购物向客户推荐产品

Leave a Reply

Your email address will not be published. Required fields are marked *