機器學習基礎：你需要知道的

您可能沒有意識到，但機器學習存在於我們的日常生活中，從我們手機和其他設備上虛擬助手的語音識別功能到我們在 Netflix 上觀看的節目或在 YouTube 上向我們推薦的視頻。

隨著大數據的增長以及越來越多的數據科學家研究這些算法，營銷部門也在廣泛使用這一點。 其中一些對您來說可能聽起來像希臘語，但不要擔心——我們將引導您了解機器學習的基礎知識。

機器學習的定義

機器學習是人工智能 (AI) 和計算機科學的一個分支，它允許機器從數據中“學習”。 在這種情況下學習意味著識別數百萬個數據點中的複雜模式，比較它們，並嘗試重現人類獲取知識和解決問題的方式。 該過程由審查數據並能夠預測未來行為的算法執行。 隨著時間的推移，這些算法和系統將自主學習和改進。

機器學習算法的工作方式如下：在初始數據輸入之後，算法對信息進行分類並生成關於數據中可能模式的估計。 這些預測將由算法通過檢查模型準確性的誤差函數進行評估。 為此，該算法將比較不同的樣本，然後對流程進行評估和優化，以提高預測的準確性。

機器學習與人工智能

機器學習和人工智能有著非常緊密的聯繫，但它們也有不同的職責。 人工智能旨在創建一個智能計算機系統來模擬人類行為並解決複雜問題，而機器學習實際上是人工智能的一個分支，它使機器能夠從數據處理中學習，從而能夠提供準確的結果。 人工智能正在努力創建一個可以執行各種複雜任務的智能係統。 另一方面，機器學習試圖創造出只能執行那些訓練有素的特定任務的機器。

在這裡考慮深度學習和神經網絡也很重要，因為它們是機器學習的兩個關鍵方面。 基本上，深度學習是神經網絡的一個子類別，它是機器學習的一個子類別。 深度學習可以自動從該過程中提取大部分數據，而神經網絡是一系列模仿人類大腦的算法，旨在模仿人類推理。 簡而言之，神經網絡幫助計算機通過深度學習創造人工智能。

人工智能和機器學習的能力很多，但讓我們關註一些與我們的日常生活相關的東西。

• 根據一個人的搜索、喜歡和互動預測趨勢和模式，推薦產品或展示廣告。
• 語音識別和語言理解，例如當我們要求設備播放音樂或打電話時。
• 視頻和圖像處理。 例如，當 Facebook 自動識別圖片中的人臉並建議人們進行標記時。
• 情感分析，是指分析人們對產品的看法，並為提供者提供見解。

3 種機器學習類型

我們可以將機器學習分為三類：監督學習、無監督學習和強化學習。

監督學習

這是機器學習最常見的應用。 監督學習算法的學習基於先前標記的訓練數據集。 這裡的標註意味著對於訓練數據集的每個點，我們都知道其目標屬性的值。 這允許算法“學習”一個能夠預測新數據集的目標屬性的函數。

標記的示例一次一個地呈現給算法，然後算法必須進行預測。 然後，人類主管檢查算法做出的每個預測，並確定它是否正確。 這個過程重複了很多次，直到算法可以自己預測示例和它們的標籤之間的關係。 完成此操作後，該算法將能夠處理新示例並為它們預測標籤。

最簡單的例子是電子郵件中垃圾郵件/非垃圾郵件的分類。 首先，機器會給出一組示例，說明什麼是垃圾郵件，什麼不是，以及如何為用戶區分它們。 最終，它將能夠自動對兩個文件夾中的電子郵件進行排序。

無監督學習

無監督學習與監督學習相反。 在這裡，算法的訓練過程基於沒有預先定義的標籤的數據集。 無監督學習基於分組任務，也稱為聚類，其目標是在數據集中找到相似的組。 換句話說，為算法提供了一組數據和工具，以便它自己識別信息屬性，並以人類或其他機器可以理解的方式對它們進行排序。

一個例子是 HBO、亞馬遜或 Netflix 等平台上的推薦列表。 當您觀看節目或電影時，該平台會收集該數據和特徵以查找您可能感興趣的其他類似節目和電影。

強化學習

這種方法非常不同。 它根本不使用標籤——相反，算法在開發過程中通過反複試驗來學習。 該軟件從其執行的每個操作中的錯誤中學習，從而提高方法的質量。 強化學習有四個基本要素：代理（被訓練的程序）、環境（生態系統）、動作（代理的一組動作）和獎勵（對動作的評估，正面或負面）。 視頻遊戲大量使用這種試錯系統，是強化學習的一個很好的例子。

我們希望對機器學習的簡要介紹有助於解釋基礎知識並讓您更清楚地了解該主題。 雖然它可能很複雜，但它在當今也是必不可少的，因為它在營銷領域發揮著重要作用。 如果您不相信我們，請詢問 Alexa！