机器学习入门，以机器学习开启职业生涯

目录关于机器学习行业趋势和预测机器学习的行业应用真实的机器学习示例关键机器学习术语贝叶斯网络分类聚类自然语言处理 (NLP)神经网络回归监督学习以机器学习开启职业生涯1959 年，人工智能 (AI) 和计算机游戏的先驱 Arthur Lee Samuel 教授开发了一种可以与专业游戏玩家玩的跳棋游戏。该游戏是世界上第一次介绍机器学习，因为世界第一次看到计算机如何在运行时学习从那时起，机器学习 (M

simplilearn圣普伦

837人浏览 · 2021-11-25 18:47:03

simplilearn圣普伦 · 2021-11-25 18:47:03 发布

1959 年，人工智能 (AI) 和计算机游戏的先驱 Arthur Lee Samuel 教授开发了一种可以与专业游戏玩家玩的跳棋游戏。该游戏是世界上第一次介绍机器学习，因为世界第一次看到计算机如何在运行时学习

从那时起，机器学习 (ML) 取得了重大进展。今天，我们到处都能看到它——从谷歌地图到亚马逊上的个性化推荐，从 Facebook 到人工智能虚拟助手，更不用说谷歌搜索了。

那些我们必须告诉机器如何解决问题的日子已经一去不复返了。随着机器学习技术的出现，计算机可以通过识别数据集中的特定模式来找到问题的解决方案。隐藏模式和趋势的自动分析，使组织可以更轻松地预测一系列关键业务问题及解决方案。

根据 KDnuggets 最近的一项调查，54% 的受访者已经实施了 ML 战略，近 28% 的公司认为他们的计划处于扩大/转型阶段。 随着越来越多的公司在其业务流程中实施 ML，这为聘请 ML 工程师和数据科学家，以推动其团队内的机器学习工作提供了巨大的机会。因此，与机器学习相关的工作需求量很大，而且薪水很高。事实上，领先的求职平台 Indeed.com 将“机器学习工程师”列为 2019 年收入最高的工作。

如果您想开始您的机器学习职业，现在机会来了。这本机器学习基础手册将为您详细概述 ML 的行业应用和现实生活用例。它还将为您提供有关在该领域取得成功必须参加的课程信息。

关于机器学习

机器学习是人工智能 (AI) 的一个子集，但两者并不完全相同。虽然 AI 是处理创建可以模拟人类思维能力和行为的智能机器的总概念，但机器学习是一种应用程序，它允许机器在没有明确编程的情况下从数据中学习。事实上，机器学习作为一个从人工智能分支出来的子领域和概念，自1990 年代就开始蓬勃发展。该领域的重点逐渐从仅实现人工智能，转向解决人类日常的实际问题。

因此，机器学习是计算机科学的一个领域，它分析和解释数据集中的结构和模式，在没有人为交互的情况下做出明智的决策。

简单来说，ML 允许用户将大量数据输入计算机算法，然后让机器分析信息，仅根据提供的信息提供面向数据的建议。

深度学习是机器学习的一个子领域，与它非常相似，不同之处在于深度学习使用称为人工神经网络的众多算法层。它模仿大脑的神经网络，该网络也具有分层架构。深度学习涉及使用这些层来寻找数据中的模式。谷歌用于图像识别的 LeNet 模型是一个深度学习应用程序，包含 22 层网络。

我们将通过一个简单的例子来解释机器学习和深度学习之间的区别。

假设我们有大量的狗和猫的图片，我们想要分离这些图像——一个包含猫，另一个包含狗。现在让我们看看机器学习和深度学习算法如何帮助我们做到这一点。

在机器学习的情况下，我们需要以定义两种动物特定特征的方式标记一组照片——这是结构化/标记数据。当我们将这些数据提供给机器学习模型时，它会通过标签学习这两种动物的特征，并将这种学习应用于对数百万张以狗和猫为特色的图片进行分类。

深度学习以不同的方式解决问题。它不需要标记数据；相反，它使用人工神经网络的不同层来分层定义图像的特定特征。这允许深度学习模型自己找出可以对图像进行分类的标识符。

借助机器学习，企业现在有更大的机会，通过开发能够大规模准确分析复杂数据并更快交付结果的模型，来快速识别机会和风险。

对机器学习的兴趣正在形成前所未有的势头，因为大多数处理大量数据的公司开始了解实时决策能力如何优化资源、简化流程、缩短上市时间并超越竞争对手。

行业趋势和预测

根据全球研究和咨询公司 Gartner 的数据，到 2022 年底，全球人工智能业务及相关技术的总价值将达到 3.9万亿美元。

同年，国际数据公司 (IDC) 预测人工智能和认知系统的投资将超过776亿美元。IDC 是一家领先的咨询服务和市场情报提供商，它也声称认知能力将对几乎所有IT功能产生重大影响。

麦肯锡全球研究所在其研究中表明，到 2020年，机器学习和人工智能可以增加 2.6万亿美元的销售和营销价值，以及超过2万亿美元的SCP（供应链规划）和制造。

Gartner 发布的一份报告显示，到2020年，人工智能将创造230万个 ML 工作岗位。事实上，对机器学习专业人员的需求远高于具有合适技能的候选人的供应，这使得 ML 成为美国最大的技术就业领域之一。

鉴于上述数字，机器学习迅速成为当今最受欢迎的职业选择也就不足为奇了。

机器学习的行业应用

随着组织变得更加以数据为驱动，机器学习在多个领域迅速获得重视。广泛采用这种先进技术的行业包括：

零售

零售网站根据您之前的购买提供购买建议，使用机器学习技术来分析您的购物模式。

如今，领先的零售商严重依赖机器学习来捕获和分析买家数据，以获取客户洞察、优化定价、启动营销活动并提供个性化的购物体验。

能源

石油和天然气公司部署机器学习来分析地下能源、预测炼油厂故障并简化分销系统以实现利润最大化。在能源领域实施机器学习的范围很广，而且还在不断扩大。

金融服务

机器学习在金融领域的应用是多种多样的。银行和金融机构不仅实施机器学习技术以多种方式帮助客户和投资者，而且还使用机器学习来检测高风险状况、网络监控和欺诈预防。

医疗保健

由于传感器技术和医疗可穿戴设备的进步，机器学习正日益成为现代医疗保健生态系统不可或缺的一部分。这项突破性技术可帮助医疗保健专业人员分析数据以确定实时趋势，从而实现更好的诊断和改进的治疗。

运输和物流

数据分析、趋势检测和 ML 的建模方面是运输组织和交付公司的重要工具。

运输和物流行业使用机器学习来制定更有效的路线并预测潜在问题，从而提高盈利能力。政府

政府机构拥有各种数据来源。从公用事业到公共安全，政府机构都在挖掘大数据以获得可操作的见解，提高效率、降低风险和增加储蓄。许多机构还采用机器学习来检测欺诈和遏制身份盗用。

真实的机器学习示例

在本节中，我们将介绍 ML 的真实用例，我们每个人在日常生活中都会遇到这些用例，但可能没有意识到机器学习驱动了这些应用程序。以下是一些值得注意的例子。

虚拟助手

Apple Inc. 的 Siri、亚马逊的 Alexa 和 Google Assistant 是虚拟助手的流行实例。这些由人工智能驱动的助手可以识别用户的声音，通过语音命令帮助他们找到相关信息。虚拟助手通过调用相关查询或从其他应用程序和资源收集信息来执行分配的任务。

机器学习在提高虚拟助手的效率方面起着至关重要的作用。该技术根据用户之前与这些应用程序的交互来改进信息的传递。随后，机器学习使用数据集来呈现根据个人喜好量身定制的个性化结果。

交通预测

当我们使用 GPS 导航系统时，该服务会将我们当前的速度和位置存储在中央服务器上以进行交通管理。存储的数据可以创建具有当前交通状况的地图。机器学习进行拥堵分析，有助于根据日常经验评估拥堵区域。

基于应用程序的出租车网络

当有人预订出租车时，优步应用程序是如何计算旅行费用和等待时间的呢？

Uber的工程主管 Jeff Schneider 在接受采访时透露，机器学习在 Uber 的整个服务周期中起着至关重要的作用，尤其是可以根据乘客需求来预测确定价格飙升时段。

视频监控

通过跟踪人们的异常行为，例如，当他们长时间站立、打瞌睡或跌跌撞撞时，由人工智能驱动的现代视频监控系统有助于在犯罪和事故发生之前发现它们。支持 AI 的视频监控系统使用机器学习在后台工作来实现这一点。

社交网络服务

从改进广告定位到个性化新闻提要，顶级社交媒体平台使用机器学习技术来增加自己和用户的利益。大多数人在不知情的情况下使用ML 支持的社交网络功能，包括面部识别、类似的 Pin 图和 Facebook上的“你可能认识的人”等。

电子邮件恶意软件和垃圾邮件过滤

网络安全专家每天检测超过 3,25,000 个恶意程序，其代码与之前版本的 90% — 98% 相似。由 ML 提供支持的系统安全软件可以理解并识别这些编码模式，因此可以以 2% 到 10% 的偏差快速防御新的恶意软件。

In an era of downsizing, businesses hardly have live executives to respond to customer queries. Nowadays, human-like chatbots offer customer support, and they do this by extracting data from the company’s website and presenting it to clients.

对于过滤垃圾邮件，多层感知器 (MLP) 和 C 4.5 决策树归纳，是由机器学习技术支持的高级垃圾邮件过滤方法。

在线客户支持

在精简规模的时代，企业几乎没有现场管理人员来回应客户的询问。如今，类人聊天机器人提供客户支持，他们通过从公司网站提取数据并将其呈现给客户来实现这一点。

聊天机器人不断接收数据，可以更好地理解客户查询，从而做出更好的响应。 ML算法使这成为可能。

优化搜索引擎结果

Bing、Yahoo 和 Google 等领先搜索引擎正在部署 ML以完善用户的搜索结果。每次用户执行搜索时，后端机器学习算法都会监控他们对结果的反应。如果用户点击顶部结果并在网站上停留一段时间，搜索引擎会假定它显示了用户想要查询的结果。这就是机器学习改进搜索结果的方式。

购买建议

当您在购物网站上收到您购买的类似产品的购买建议时，请相信ML 正在创造奇迹。机器学习分析消费者行为，例如过去的购买行为、品牌偏好和添加到购物车的商品，从而改善购物体验，提高客户满意度。

欺诈检测和预防

从识别在线货币欺诈到跟踪洗钱和非法交易，机器学习正在展示其在保障网络空间安全方面的巨大潜力。银行、金融机构和 Paypal 等在线支付系统越来越多地采用 ML 技术来降低风险和防止欺诈。