了解机器学习:从理论到算法_机器学习：如何从理论走向现实

了解机器学习:从理论到算法

我们充斥着越来越复杂的机器学习技术。 太糟糕了，很少有人知道如何使用它们。

正如最近451 Research的调查数据所表明的那样 ，缺乏技术人才继续阻碍着AI革命。 确实，人们（而不是技术）已经成为每次技术革命所采用的速度都比预期慢的原因。 这就是为什么聪明的公司在文化变革上投资与技术采用一样多的原因。

[在InfoWorld上深入学习机器学习： 11种必备的机器学习工具 。 • 掌握机器学习的13个框架 • 揭秘了机器学习的管道 •回顾： 6个机器学习云 • 您应使用哪个Spark机器学习API？ ]

机器学习的炒作和希望

这不是说有人被允许利用机器学习中声称获益的方式来获得的能力 。 只要看看在公共收益电话中提到的AI和机器学习的持续增长就可以了。 所有高管都想假装他们的公司在机器学习方面做得很大。 是的，人工智能的提述在最近一个季度短暂下降，但长期趋势向上并向右走-没有相称的投资即可使廉价的谈话获得丰厚的回报。

举例来说，当451 Research询问机器学习的最大障碍时，有36％的人表示他们不知道On按钮在哪里，另有32％的人表示他们负担不起或真的不知道该怎么做。数据，如图1所示。

451研究

图1：对以下问题的回答：“您的组织使用机器学习的最大障碍是什么？” 来自451 Research的“企业之声：人工智能与机器学习，采用，驱动程序和利益相关者2018”报告中的209位受访者。

即便如此，这仍不能阻止49％的被调查者声称由于他们几乎不存在的机器学习推出而具有“竞争优势”，如图2所示。

451研究

图2：对以下问题的回答：“您的组织通过使用机器学习已实现或预期实现的最大优势是什么？” 来自451 Research的“企业之声：人工智能与机器学习，采用，驱动程序和利益相关者2018”报告中的207位受访者。

这与早期对大数据的调查没有太大区别，当时企业一口气声称大数据带来了巨大的好处，但随后又承认他们不知道自己在做什么。

没有人愿意成为机器学习或大数据新手，但是正确做到这一点并不像供应商新闻稿所建议的那样容易。 451 Research的调查数据发现，大约有50％的公司已在明年部署或计划部署机器学习算法，但如果这50％的许多公司在采用机器学习方面非常先进，我会感到震惊。 大多数人仍在感觉自己的方式，希望一切都会有所收获。

因此，难怪麦肯锡公司的分析表明 ，机器学习/人工智能还需要十年时间才能被普遍使用。 改变需要时间。

机器学习中的胜利：这是一种文化

对于想要在机器学习领域大获全胜的公司而言，正确的策略可能不是坐以待,，等待世界变化。 在云中，Pivotal出售使公司能够构建云服务的软件，以及旨在实现拥抱这些云服务所需的文化变革的专业服务。 长期以来，IBM，HPE，SAP，Oracle等在接受或推动类似技术转变时在其市场中都做过同样的事情。 这些公司清楚地意识到，销售技术只是故事的一半。 除非有人具备使用该软件的能力，否则它会以眼泪收场。

在机器学习方面，为实现文化变革做出最大贡献的公司是Google，但与Pivotal的方式有所不同。

Google并不是在运行机器学习大师训练Pivotal风格的有抱负者的“ dojos ”。 取而代之的是，Google拥有TensorFlow之类的开源关键技术，这些技术使有抱负的人可以边做边学。 TensorFlow被称为“适合所有人的开源机器学习框架”，为一代AI从业者成长为机器学习/ AI（“ Google之道”）成长铺平了道路。 反过来，这有望诱使许多相同的从业者在Google的云上运行他们的机器学习工作负载，并对其进行优化以达到最佳运行效果。

[ TensorFlow机器学习入门 。 • TensorFlow评论：最好的深度学习库变得更好 。 •查看最新版本的TensorFlow中的新增功能 。 ]

但是，即使他们没有这样做，开源TensorFlow也可以通过以零成本改善对强大的机器学习技术的访问，来帮助降低机器学习成功的门槛。

通过TensorFlow之类的开放源代码库，机器学习将从重要但复杂的状态变为重要且可访问的状态，一次可以下载一个开发人员。 这是一个天才的战略，因为它反映了在技术可以影响世界之前改变使用技术的人们的需求。

翻译自: https://www.infoworld.com/article/3310596/machine-learning-how-to-go-from-theory-to-reality.html

了解机器学习:从理论到算法