機器學習如何改變世界？

你聽說過著名的啤酒和尿布理論嗎？

世界上最大的零售商沃爾瑪“據說”創造了這個理論來了解產品之間的相關性並識別模式。

30-40 歲年齡段的男性在周五下午 5 點到 7 點之間購買尿布，他們的卡車上往往有啤酒。 這一理論促使雜貨店在尿布旁邊保留啤酒克拉，從而以幾何級數增加這兩種物品的銷售額。

現在，這個理論是如何運作的？ 經過一周的艱苦磨練，工薪階層的男性往往會感到疲倦。 除了他們的日常職責外，他們的周末還經常包括為嬰兒購買尿布，並從相鄰的過道為自己買啤酒。

這是相關性的完美示例。 該理論解釋了大型連鎖超市如何關聯產品。 相關性可能是構建機器學習模型的重要組成部分。

機器學習是任何使任務變得更容易的東西。 我們不只是在談論大任務，而是在黑白圖像的手動著色以及在社交媒體上手動尋找某人。 現在想像一台機器，它了解任務本身並隨著新的、當前的和過去的需求而發展。

什麼是機器學習？

機器學習是 AI（人工智能）的一個子部分。 它是創建可以自行學習的算法的科學。 它通過從數據中識別模式而不是應用特定的編程來工作。 一經設計，無需任何人工操作。 機器學習足夠智能，可以自行學習。 它從原始數據中找到模式，並通過使用統計分析來預測未來的模式。

為了更好地理解，這裡有一些例子：

1) Siri、Alexa 和 Google Assistant是機器學習的一些著名例子。 它們是虛擬語音助手，當通過語音詢問時，它們會幫助查找信息，您需要做的就是激活它們。 集成虛擬語音助手的更多示例是：

• 亞馬遜迴聲
• 三星比克斯比
• 谷歌 Allo

2）圖像識別

圖像識別是機器學習最常見的例子之一。 它是識別物體、地點、人等的能力。人們通過應用程序、社交媒體、網站等共享大量數據，而 Facebook 能夠以 98% 的準確率執行面部識別，從而將大量數據置於危險之中. 關於圖像識別將如何影響世界各地的隱私和安全存在很多爭議。

機器學習：為什麼重要？

傳統上，數據科學家過去常常構建完成的模型來獲得洞察力，而不是訓練計算機這樣做。 現在這似乎是一種不可能的方法，因為數據豐富且異構。 機器學習在這裡發揮作用，因為它巧妙地打破了大量數據並提出智能算法以提供有意義的解決方案。

Google 每天處理 20 PB（1 PB= 10^15 字節）的數據。 這家搜索引擎巨頭擁有一個數據中心，用於記錄所抓取的所有信息。 您可能不記得 2 年前在 Google 上搜索過的內容，但 Google 會。 它就像一個巨大的圖書館，擁有數十億本書，涵蓋了地球上幾乎所有的數據。

市場上有一些軟件可以跟踪每天的日程安排並幫助您完成日常任務，例如預訂出租車、回家前打開空調或早上打開咖啡機。

不管我們是否願意，每次我們執行一項簡單的任務時，都會留下一種行為模式； 這些模式由算法解碼，以了解我們的需求並找到基本標準流程的有效替代方案。

人工智能、機器學習和深度學習是一樣的嗎？

不，他們不是。 您可以將它們視為彼此嵌套的集合。 理解這一點的最簡單方法是將它們可視化為同心圓。 深度學習是機器學習的子集，也是人工智能的子集。

讓我們來看看它們之間有何不同。

人工智能——根據約翰·麥卡錫的說法， 人工智能是創造機器、機器人控制的計算機機器或像人類一樣智能思考的產品的過程。 人工智能是“人工”和“智能”兩個詞的組合，其中人工意味著非自然或由人類創造，智能意味著思考和理解的能力。

關於人工智能的一些要點：

• 主要動機是增加成功的機會。
• 這是一個可以完成所有智能工作的程序。
• 人工智能可以解決複雜的問題。
• 它開發了一個“類人”系統，根據情況做出反應。

機器學習- 如上所述，機器學習是創建可以自行學習的算法的科學。 它是人工智能的一個子部分。

關於機器學習的一些關鍵點：

• 主要目的是提高準確性。
• 它研究數據並從中學習。
• 它還了解已處理的信息。
• 它適用於一種解決方案，無論它是否最佳。

深度學習——深度學習是機器學習的一個子部分。 它從提供的數據中推斷出模式並幫助從中提取解決方案。 它能夠從非結構化或未標記的數據中學習，這可能需要數十年才能發現模式。

關於深度學習的一些關鍵點：

• 主要目的是發現給定數據中的模式。
• 它觀察模式並從中進行預測。
• 使用多層次維度的人工神經系統來完成機器學習的過程。

機器學習的影響

機器學習是機器與人類知識相結合的下一級技術，對改變我們的生活具有重要意義。 讓我們來看看受機器學習影響的日常生活的各個領域：

• 家
  十五年前，我們永遠不會想到未來的通訊會變得多麼便捷。 但是現在，我們可以在幾秒鐘內與世界上和世界各地的任何人進行交流，並且在我們都依賴它的地方。 我們非常依賴計算機進行通信、導航、獲取信息等。這就是機器學習發揮作用並幫助我們日常活動的地方。
• 衛生保健
  醫療管理的過程與公共醫療的規劃一樣，都是從歷史分類開始的。 這有助於檢查、調查和監測以提供未來的結果。 這些假設有助於找出最需要它的領域的需求。
• 運輸
  我們已經知道最近的進步，比如自動駕駛汽車，或者特斯拉的新型半自動卡車，人工智能已經將運輸提升到了一個不同的水平。 觀察員分析數據以適當地預測決策，例如公共安全，實時幫助交通管理或犯罪細節。 它還有助於為行人和騎自行車的人尋找路徑，從而減少交通事故的數量。
• 教育
  以前，老師和學生之間只有一種學習方法。 但是隨著機器學習的加入，許多機構已經開始利用它，最大限度地提高師生互動，並通過為他們制定適當的時間表來提高效率。 它還通過提供適應性學習幫助挑戰學生，使用個性化學習給予每個學生個性化的關注。

機器學習作為 SEO 合作夥伴

您不確定機器學習和搜索引擎優化如何齊頭並進？

讓我們探索一下。

每個搜索引擎都在學習如何以更好的方式看待事物，從而提供更好的結果。

機器學習如何改變 SEO 世界的一個合適的例子是看到現在如何過濾電子郵件，這非常重要。 Google 以一種微妙的方式過濾掉垃圾郵件的成功率為99.9% ，Google 專門採用了這種機器學習過程來去除 TensorFlow 中的垃圾郵件。 這整個過程已經進行了多年。

除此之外，谷歌還一直在使用人工智能和基於規則的過濾器，這些過濾器能夠阻止明顯的垃圾郵件。 這些模式由鏈接這些垃圾郵件的站點、它們獲得的不需要的鏈接類型等檢測到。

機器學習也會影響內容 SEO。 讓我們看看如何：

10 年來，谷歌一直在解決這個問題——匹配短語並彈出結果。 為了解決這個問題，他們在 2016 年 9 月引入了一個名為 Google 神經機器翻譯系統 (GNMT) 的機器學習系統。 這通過對短語進行編碼然後對其進行解碼以顯示所需的結果來提高理解短語的效率。

機器學習：為什麼它對未來很重要？

很快，人工智能和機器學習將不遺餘力。 在某些年份，人們的工作方式將會發生重大變化。 依賴將更多地依賴於計算機而不是人類。 大多數勞動力將由計算機自動化。

您可能會認為機器學習和人工智能的這種演變可能會導致全球範圍內的工作崗位流失。 但是，事實並非如此。

據 BBC 報導，機器學習正在接管，以便人類編寫的算法可以快速有效地完成常規和重複性任務。 它可能會影響勞動力市場，但他們可能會獲得需要更複雜和更少常規技能的工作。

麥肯錫的一項研究表明，到 2030 年，人工智能和機器學習將取代全球 30% 的勞動力。

儘管存在這些擔憂，但每次技術革命最終創造的就業機會都比粉碎的要多。