机器学习如何改变世界？

你听说过著名的啤酒和尿布理论吗？

世界上最大的零售商沃尔玛“据说”创造了这个理论来了解产品之间的相关性并识别模式。

30-40 岁年龄段的男性在周五下午 5 点到 7 点之间购买尿布，他们的卡车上往往有啤酒。 这一理论促使杂货店在尿布旁边保留啤酒克拉，从而以几何级数增加这两种物品的销售额。

现在，这个理论是如何运作的？ 经过一周的艰苦磨练，工薪阶层的男性往往会感到疲倦。 除了他们的日常职责外，他们的周末还经常包括为婴儿购买尿布，并从相邻的过道为自己买啤酒。

这是相关性的完美示例。 该理论解释了大型连锁超市如何关联产品。 相关性可能是构建机器学习模型的重要组成部分。

机器学习是任何使任务变得更容易的东西。 我们不只是在谈论大任务，而是在黑白图像的手动着色以及在社交媒体上手动寻找某人。 现在想象一台机器，它了解任务本身并随着新的、当前的和过去的需求而发展。

什么是机器学习？

机器学习是 AI（人工智能）的一个子部分。 它是创建可以自行学习的算法的科学。 它通过从数据中识别模式而不是应用特定的编程来工作。 一经设计，无需任何人工操作。 机器学习足够智能，可以自行学习。 它从原始数据中找到模式，并通过使用统计分析来预测未来的模式。

为了更好地理解，这里有一些例子：

1) Siri、Alexa 和 Google Assistant是机器学习的一些著名例子。 它们是虚拟语音助手，当通过语音询问时，它们会帮助查找信息，您需要做的就是激活它们。 集成虚拟语音助手的更多示例是：

• 亚马逊回声
• 三星比克斯比
• 谷歌 Allo

2）图像识别

图像识别是机器学习最常见的例子之一。 它是识别物体、地点、人等的能力。人们通过应用程序、社交媒体、网站等共享大量数据，而 Facebook 能够以 98% 的准确率执行面部识别，从而将大量数据置于危险之中. 关于图像识别将如何影响世界各地的隐私和安全存在很多争议。

机器学习：为什么重要？

传统上，数据科学家过去常常构建完成的模型来获得洞察力，而不是训练计算机这样做。 现在这似乎是一种不可能的方法，因为数据丰富且异构。 机器学习在这里发挥作用，因为它巧妙地打破了大量数据并提出智能算法以提供有意义的解决方案。

Google 每天处理 20 PB（1 PB= 10^15 字节）的数据。 这家搜索引擎巨头拥有一个数据中心，用于记录所抓取的所有信息。 您可能不记得 2 年前在 Google 上搜索过的内容，但 Google 会。 它就像一个巨大的图书馆，拥有数十亿本书，涵盖了地球上几乎所有的数据。

市场上有一些软件可以跟踪每天的日程安排并帮助您完成日常任务，例如预订出租车、回家前打开空调或早上打开咖啡机。

不管我们是否愿意，每次我们执行一项简单的任务时，都会留下一种行为模式； 这些模式由算法解码，以了解我们的需求并找到基本标准流程的有效替代方案。

人工智能、机器学习和深度学习是一样的吗？

不，他们不是。 您可以将它们视为彼此嵌套的集合。 理解这一点的最简单方法是将它们可视化为同心圆。 深度学习是机器学习的子集，也是人工智能的子集。

让我们来看看它们之间有何不同。

人工智能——根据约翰·麦卡锡的说法， 人工智能是创造机器、机器人控制的计算机机器或像人类一样智能思考的产品的过程。 人工智能是“人工”和“智能”两个词的组合，其中人工意味着非自然或由人类创造，智能意味着思考和理解的能力。

关于人工智能的一些要点：

• 主要动机是增加成功的机会。
• 这是一个可以完成所有智能工作的程序。
• 人工智能可以解决复杂的问题。
• 它开发了一个“类人”系统，根据情况做出反应。

机器学习- 如上所述，机器学习是创建可以自行学习的算法的科学。 它是人工智能的一个子部分。

关于机器学习的一些关键点：

• 主要目的是提高准确性。
• 它研究数据并从中学习。
• 它还了解已处理的信息。
• 它适用于一种解决方案，无论它是否最佳。

深度学习——深度学习是机器学习的一个子部分。 它从提供的数据中推断出模式并帮助从中提取解决方案。 它能够从非结构化或未标记的数据中学习，这可能需要数十年才能发现模式。

关于深度学习的一些关键点：

• 主要目的是发现给定数据中的模式。
• 它观察模式并从中进行预测。
• 使用多层次维度的人工神经系统来完成机器学习的过程。

机器学习的影响

机器学习是机器与人类知识相结合的下一级技术，对改变我们的生活具有重要意义。 让我们来看看受机器学习影响的日常生活的各个领域：

• 家
  十五年前，我们永远不会想到未来的通讯会变得多么便捷。 但是现在，我们可以在几秒钟内与世界上和世界各地的任何人进行交流，并且在我们都依赖它的地方。 我们非常依赖计算机进行通信、导航、获取信息等。这就是机器学习发挥作用并帮助我们日常活动的地方。
• 卫生保健
  医疗管理的过程与公共医疗的规划一样，都是从历史分类开始的。 这有助于检查、调查和监测以提供未来的结果。 这些假设有助于找出最需要它的领域的需求。
• 运输
  我们已经知道最近的进步，比如自动驾驶汽车，或者特斯拉的新型半自动卡车，人工智能已经将运输提升到了一个不同的水平。 观察员分析数据以适当地预测决策，例如公共安全，实时帮助交通管理或犯罪细节。 它还有助于为行人和骑自行车的人寻找路径，从而减少交通事故的数量。
• 教育
  以前，老师和学生之间只有一种学习方法。 但是随着机器学习的加入，许多机构已经开始利用它，最大限度地提高师生互动，并通过为他们制定适当的时间表来提高效率。 它还通过提供适应性学习帮助挑战学生，使用个性化学习给予每个学生个性化的关注。

机器学习作为 SEO 合作伙伴

您不确定机器学习和搜索引擎优化如何齐头并进？

让我们探索一下。

每个搜索引擎都在学习如何以更好的方式看待事物，从而提供更好的结果。

机器学习如何改变 SEO 世界的一个合适的例子是看到现在如何过滤电子邮件，这非常重要。 Google 以一种微妙的方式过滤掉垃圾邮件的成功率为99.9% ，Google 专门采用了这种机器学习过程来去除 TensorFlow 中的垃圾邮件。 这整个过程已经进行了多年。

除此之外，谷歌还一直在使用人工智能和基于规则的过滤器，这些过滤器能够阻止明显的垃圾邮件。 这些模式由链接这些垃圾邮件的站点、它们获得的不需要的链接类型等检测到。

机器学习也会影响内容 SEO。 让我们看看如何：

10 年来，谷歌一直在解决这个问题——匹配短语并弹出结果。 为了解决这个问题，他们在 2016 年 9 月引入了一个名为 Google 神经机器翻译系统 (GNMT) 的机器学习系统。 这通过对短语进行编码然后对其进行解码以显示所需的结果来提高理解短语的效率。

机器学习：为什么它对未来很重要？

很快，人工智能和机器学习将不遗余力。 在某些年份，人们的工作方式将会发生重大变化。 依赖将更多地依赖于计算机而不是人类。 大多数劳动力将由计算机自动化。

您可能会认为机器学习和人工智能的这种演变可能会导致全球范围内的工作岗位流失。 但是，事实并非如此。

据 BBC 报道，机器学习正在接管，以便人类编写的算法可以快速有效地完成常规和重复性任务。 它可能会影响劳动力市场，但他们可能会获得需要更复杂和更少常规技能的工作。

麦肯锡的一项研究表明，到 2030 年，人工智能和机器学习将取代全球 30% 的劳动力。

尽管存在这些担忧，但每次技术革命最终创造的就业机会都比粉碎的要多。