机器学习不可不知的三件事

机器学习的狂热，以及对基础设施、数据存储和云应用的重大改进，都导致人们对其兴趣的有增无减。谷歌和脸书已经做了许多面向消费者的改进，其他公司也在努力。

那么，什么是机器学习和人工智能呢？

人工智能（AI）是一款做人类可以做的事情的软件，但是我们希望它速度更快，性能更好。例如，在会议中做记录，并能突出所有后续的任务。机器学习是一种使用算法而非传统的基于规则的决策树来实现AI的方法。在更高级别上，机器学习有三个步骤：感知，推理和生产。

目前，机器学习已经越来越流行，并在过去五年已经具有了更好的可行性。

而机器学习领域取得的几个重大进步，已经推动了技术、应用的巨大飞跃，并改进了技术的整体可访问性，比如云计算和大数据。

具体来讲，有四个主要因素导致目前企业广泛在其产品中应用机器学习技术。

而机器学习的现状，及其未来对产品和服务的影响的潜力可以通过三种具体方式来看待：

1：机器学习不是一体的

机器学习可分为不同的类型（如有监督和无监督），同时包括各种技术（如回归、神经网络等）。这些技术和类型不是一一映射的关系，而是要根据具体情况以不同的组合使用。下面是我的总结。

学习类型：

 监督学习：监督学习要根据已给的预定特征和已标记数据来生成模式（如传统保险承保）；

  非监督学习：非监督学习尤其适用于未标记和非结构化的数据（如Gmail垃圾邮件）；

  半监督学习：是监督学习和非监督学习的混合体。通常情况下，会有一些标记数据，但不会很多（如客户细分）；

  强化学习：强化学习在训练时为算法提供反馈，是基于经验的决策机制（如下棋）。

2：深度学习虽然有显著的优势，但也有很大的缺点

深度学习是基于人脑结构的算法，往往是一个多层的神经网络，这使得网络很“深”。我们经常在无监督学习和强化学习中听到深度学习的赞美，但在大型复杂问题下，监督学习对深度学习也可能是有价值的。

相对于其他技术，深度学习有三个关键优势，即鲁棒性、通用性和可扩展性。

• 它是鲁棒的，因为用于对数据进行分类的特征不需要预先取定，可针对给定任务学习最佳特征；

• 它是通用的，因为同一神经网络可用于不同的应用和数据类型；

• 它是可扩展的，因为1）该方法可并行化，即能在多个处理器下同时运行； 2）随着数据量的增加，性能能得到改进，降低了过拟合的可能性。

尤其的，这对三个领域有重要的影响：自然语言处理，计算机视觉和机器人。

同时，我们也应该了解其缺点。其中最大的问题是其可解释性差，当神经网络确定了某些特征，并根据这些特征做决策时，我们无法获知其原因。这就意味着，如果系统中存在数据损坏或人为偏差，我们将无法确定其存在，对于会对社会产生重大影响的案例（如财务和执法）将是危险的。

此外，深度学习模型需要极大量的数据和超强的计算能力才能实现，这是昂贵和耗时的。这是一个需要慎重考虑的权衡，特别是对那些正打算开发产品的年轻初创公司们。

因此，深度学习并不总是最好的方法。对于每个具体的用例，数据科学家需要考虑偏差，计算资源可用性和数据获取等因素。

3：机器学习将对产品的未来产生重大影响

机器学习本身不是一个解决方案，而是一个优化期望结果的工具。因此，利用机器学习的公司应该专注于用户体验，并从处理数据帮客户分析，到专注于战略和建议，使决策更有效和准确。未来，很可能用户界面将简化为推荐单一动作，而非提供大量的选项。下面两个例子说明了这种转变的雏形。

Facebook的照片标记引擎已优化为推荐标记（左），相对于以前的版本（右）更聪明，使用更简单。

同样，Google现在可记住用户停车的位置（左），并根据航班时间、目前位置和路况推荐出发时间（右）。这种基于推荐的、简化的用户体验将是产品用户界面的未来。

这些例子说明了机器学习将产生的巨大影响，因为它继续使更有效和更简单使用的产品。