机器学习基础：你需要知道的

您可能没有意识到，但机器学习存在于我们的日常生活中，从我们手机和其他设备上虚拟助手的语音识别功能到我们在 Netflix 上观看的节目或在 YouTube 上向我们推荐的视频。

随着大数据的增长以及越来越多的数据科学家研究这些算法，营销部门也在广泛使用这一点。 其中一些对您来说可能听起来像希腊语，但不要担心——我们将引导您了解机器学习的基础知识。

机器学习的定义

机器学习是人工智能 (AI) 和计算机科学的一个分支，它允许机器从数据中“学习”。 在这种情况下学习意味着识别数百万个数据点中的复杂模式，比较它们，并尝试重现人类获取知识和解决问题的方式。 该过程由审查数据并能够预测未来行为的算法执行。 随着时间的推移，这些算法和系统将自主学习和改进。

机器学习算法的工作方式如下：在初始数据输入之后，算法对信息进行分类并生成关于数据中可能模式的估计。 这些预测将由算法通过检查模型准确性的误差函数进行评估。 为此，该算法将比较不同的样本，然后对流程进行评估和优化，以提高预测的准确性。

机器学习与人工智能

机器学习和人工智能有着非常紧密的联系，但它们也有不同的职责。 人工智能旨在创建一个智能计算机系统来模拟人类行为并解决复杂问题，而机器学习实际上是人工智能的一个分支，它使机器能够从数据处理中学习，从而提供准确的结果。 人工智能正在努力创建一个可以执行各种复杂任务的智能系统。 另一方面，机器学习试图创造出只能执行那些训练有素的特定任务的机器。

在这里考虑深度学习和神经网络也很重要，因为它们是机器学习的两个关键方面。 基本上，深度学习是神经网络的一个子类别，它是机器学习的一个子类别。 深度学习可以自动从该过程中提取大部分数据，而神经网络是一系列模仿人类大脑的算法，旨在模仿人类推理。 简而言之，神经网络帮助计算机通过深度学习创造人工智能。

人工智能和机器学习的能力很多，但让我们关注一些与我们的日常生活相关的东西。

• 根据一个人的搜索、喜欢和互动预测趋势和模式，推荐产品或展示广告。
• 语音识别和语言理解，例如当我们要求设备播放音乐或打电话时。
• 视频和图像处理。 例如，当 Facebook 自动识别图片中的人脸并建议人们进行标记时。
• 情感分析，是指分析人们对产品的看法，并为提供者提供见解。

3 种机器学习类型

我们可以将机器学习分为三类：监督学习、无监督学习和强化学习。

监督学习

这是机器学习最常见的应用。 监督学习算法的学习基于先前标记的训练数据集。 这里的标注意味着对于训练数据集的每个点，我们都知道其目标属性的值。 这允许算法“学习”一个能够预测新数据集的目标属性的函数。

标记的示例一次一个地呈现给算法，然后算法必须进行预测。 然后，人类主管检查算法做出的每个预测，并确定它是否正确。 这个过程重复了很多次，直到算法可以自己预测示例和它们的标签之间的关系。 完成此操作后，该算法将能够处理新示例并为它们预测标签。

最简单的例子是电子邮件中垃圾邮件/非垃圾邮件的分类。 首先，机器会给出一组示例，说明什么是垃圾邮件，什么不是，以及如何为用户区分它们。 最终，它将能够自动对两个文件夹中的电子邮件进行排序。

无监督学习

无监督学习与监督学习相反。 在这里，算法的训练过程基于没有预先定义的标签的数据集。 无监督学习基于分组任务，也称为聚类，其目标是在数据集中找到相似的组。 换句话说，为算法提供了一组数据和工具，以便它自己识别信息属性并以人类或其他机器可以理解的方式对它们进行排序。

一个例子是 HBO、亚马逊或 Netflix 等平台上的推荐列表。 当您观看节目或电影时，该平台会收集该数据和特征以查找您可能感兴趣的其他类似节目和电影。

强化学习

这种方法非常不同。 它根本不使用标签——相反，算法在开发过程中通过反复试验来学习。 该软件从其执行的每个操作中的错误中学习，从而提高方法的质量。 强化学习有四个基本要素：代理（被训练的程序）、环境（生态系统）、动作（代理的一组动作）和奖励（对动作的评估，正面或负面）。 视频游戏大量使用这种试错系统，是强化学习的一个很好的例子。

我们希望对机器学习的简要介绍有助于解释基础知识并让您更清楚地了解该主题。 虽然它可能很复杂，但它在当今也是必不可少的，因为它在营销领域发挥着重要作用。 如果您不相信我们，请询问 Alexa！