机器学习：未来是什么样的？

机器学习（ML）是使计算机能够执行尚未明确要求执行的操作的过程。 因此，机器学习在使有感觉的机器成为现实的过程中扮演着核心角色。 随着汉森（Hanson）机器人公司开发的AI机器人Sophia的推出，我们想知道这些聪明的家伙要比我们有多接近。
如果您对未来十年中机器学习的未来进行推测，那么您来对地方了！ 我们走吧。

现状
ML通过引入一种使准系统能够从大型数据集中丰富其知识库，避免编程错误并避免逻辑问题的方式，使准系统的复杂性降低了。 通过在主流应用程序中使用BigData框架，智能算法现在可以处理这个庞大的静态和动态数据存储库，并不断学习和提高其效率。
今年，机器学习专家从抽象和理论化转向了由机器学习和深度学习概念驱动的AI的业务应用。 在实际应用中，机器学习已广泛应用于预防保健，医学，银行，金融，市场营销和媒体。
考虑到前五年的平稳发展，ML不会很快放慢速度。

ML炒作
在ML的重大突破中，Google最近开放了其机器学习项目Tensorflow的源代码，该项目已经是一个非常活跃的项目，用于药物发现和产生音乐。 微软开源CNTK，百度宣布发布PaddlePaddle，亚马逊宣布在其新的AWS ML平台中支持MXNet。 另一方面，Facebook主要支持的不是一个而是两个深度学习框架的开发：Torch和Caffe。 Google也支持
非常成功的Keras。
这种炒作的中心思想是算法和机器学习将在很长一段时间内成为技术界的焦点。 机器学习中的需求供应缺口变得越来越严重，平台之战变得更加激烈。

升级
在未来几年中，人工智能应用程序将比以往任何时候都更加普遍，并且人们对其中的机器的接受也将越来越多。因此，所有服务提供商都需要认真升级其硬件（存储，备份，计算能力等）和软件（服务器，网络，ad-hoc网络等）功能。
就像GNU提供的并行处理能力使当前的AI成为可能和可行一样，计算能力需要进行认真的调整以适应即将出现的情况。技术人员的所有部门都将承受巨大压力，以进行增强和发明。
我们已经看到了机器学习在移动应用程序，图像识别系统，模式识别应用程序，过滤工具，机器人技术等方面的使用热潮。科学家们目前正在尝试开发一种可以按照人脑进行精确处理的工作机器。如果我们映射大脑的每个节点和神经网络并向其提供数据，则该系统应该能够像人的大脑一样处理数据。
这个概念称为认知计算。因此，认知计算系统将使用模式识别，自然语言处理，数据挖掘来自学人类的思维过程。由于其最终目标是开发具有感知能力的AI机器，因此这些系统在未来几年将引起很多关注。

认知学习与深度学习：未来在哪里？
深度学习是一种用来帮助系统从无结构或无标签数据中学习的过程，同时始终不受监督。认知计算将使用结构良好且分段的数据来训练和测试模型感知机，而深度学习则采用数据挖掘和数据处理技术来根据数据进行缩放，更好地对数据建模并使其对其他机器有用。
它还使用神经网络，但结合庞大的物联网数据存储库，处理的规模和类型将其与认知学习区分开。它的主要应用将在后端系统中，这些系统将对营销，品牌推广做出更多贡献，并创建数据库供其他机器学习。
借助物联网，深度学习系统将创建一个数据挖掘，它将成为大多数智能系统的骨干。认知计算系统将与受过深度学习的系统和IoT协同工作，以执行医疗保健，医学，科学研究和假设测试，自动驾驶汽车（自动化），视频输入中的唇读以及最终的感知等领域的主流任务计算机。
ML和AI这两个领域将成为重点。现在，有感觉的机器可能牵强，但机器学习在医疗保健，云系统和市场营销中的重要性不可低估。
加大力度使医疗保健的所有常规部分自动化，例如测试样品中的污染物（病毒，细菌，其他异物），检测癌变，检查X射线并扫描确切问题（可能会引起医生或医生的注意） ） 将被制作。
到目前为止，美国，英国，欧洲国家等发达国家的一些医院都在采用AI选项。更多的机构和大学将在这一领域进行投资，需求将不断增加。

包装
在未来十年中，人工智能应用程序将比以往更加普遍，因此所有服务提供商都将需要认真升级其硬件（存储，备份，计算能力等）和软件（服务器，网络，临时网络） 等）功能。
就像GNU提供的并行处理能力使当前的AI成为可能和可行一样，计算能力也需要
极大地满足了即将发生的事情。 技术人员的所有部门都将承受巨大的升级和发明压力。