許多人將機器學習視為通向人工智慧的途徑，但是對於統計學家或商人而言，機器學習也可以是一種強大的工具，可以實現前所未有的預測結果。

　　為什麼機器學習如此重要?

　　在開始學習之前，我們想花一些時間強調WHY機器學習非常重要。

　　總之，每個人都知道人工智慧或人工智慧。通常，當我們聽到AI時，我們會想象機器人到處走動，執行與人類相同的任務。但是，我們必須瞭解，雖然有些任務很容易，但有些任務卻很困難，並且距離擁有像人類一樣的機器人還有很長的路要走。

　　但是，機器學習是非常真實的並且已經存在。它可以被視為AI的一部分，因為當我們想到AI時，我們想象的大部分內容都是基於機器學習的。

　　在過去，我們相信未來的這些機器人將需要向我們學習一切。但是人腦是複雜的，並且並非可以輕鬆描述其協調的所有動作和活動。1959年，亞瑟·塞繆爾(Arthur Samuel)提出了一個絕妙的主意，即我們不需要教計算機，但我們應該讓他們自己學習。塞繆爾(Samuel)也創造了“機器學習”一詞，從那時起，當我們談論機器學習過程時，我們指的是計算機自主學習的能力。

　　機器學習有哪些應用?

　　在準備這篇文章的內容時，我寫下了沒有進一步說明的示例，假定所有人都熟悉它們。然後我想：人們知道這些是機器學習的例子嗎?

　　讓我們考慮一些。

　　自然語言處理，例如翻譯。如果您認為百度翻譯是一本非常好的字典，請再考慮一下。百度翻譯本質上是一組機器學習演算法。百度不需要更新百度 Translate;它會根據不同單詞的使用情況自動更新。

　　哦，哇 還有什麼?

　　雖然仍然是主題，但Siri，Alexa，Cortana都是語音識別和合成的例項。有些技術可以使這些助手識別或發音以前從未聽過的單詞。他們現在能做的事令人難以置信，但在不久的將來，它們將給人留下深刻的印象!

　　SPAM過濾。令人印象深刻，但值得注意的是，SPAM不再遵循一組規則。它自己瞭解了什麼是垃圾郵件，什麼不是垃圾郵件。

　　推薦系統。Netflix，淘寶，Facebook。推薦給您的所有內容都取決於您的搜尋活動，喜歡，以前的行為等等。一個人不可能像這些網站一樣提出適合您的推薦。最重要的是，他們跨平臺，跨裝置和跨應用程式執行此操作。儘管有些人認為它是侵入性的，但通常情況下，資料不是由人處理的。通常，它是如此複雜，以至於人類無法掌握它。但是，機器將賣方與買方配對，將電影與潛在觀眾配對，將照片與希望觀看的人配對。這極大地改善了我們的生活。

　　說到這，淘寶擁有如此出色的機器學習演算法，它們可以高度確定地預測您將購買什麼以及何時購買。那麼，他們如何處理這些資訊?他們將產品運送到最近的倉庫，因此您可以在當天訂購併收到產品。難以置信!

　　金融機器學習

　　我們名單上的下一個是金融交易。交易涉及隨機行為，不斷變化的資料以及從政治到司法的各種因素，這些因素與傳統金融相距甚遠。儘管金融家無法預測很多這種行為，但是機器學習演算法會照顧到這種情況，並且對市場的變化做出響應的速度比人們想象的要快。

　　這些都是業務實現，但還有更多。您可以預測員工是否會留在公司或離開公司，或者可以確定客戶是否值得您光顧-他們可能會從競爭對手那裡購買還是根本不購買。您可以最佳化流程，預測銷售，發現隱藏的機會。機器學習為機會開闢了一個全新的世界，對於在公司戰略部門工作的人們來說，這是一個夢想成真。

　　無論如何，這些已在這裡使用。然後，我們將進入自動駕駛汽車的新境界。

　　機器學習演算法

　　直到最近幾年，無人駕駛汽車還是科幻小說。好吧，不再了。自動駕駛汽車已經驅動了數百萬英里(即使不是數十億英里)。那是怎麼發生的?沒有一套規則。而是一組機器學習演算法，使汽車學習瞭如何極其安全有效地駕駛。

　　我們可以繼續學習幾個小時，但我相信您的主旨是：“為什麼要使用機器學習”。

　　因此，對您來說，這不是為什麼的問題，而是如何的問題。

　　這就是我們的Python機器學習課程所要解決的問題。蓬勃發展的資料科學事業中最重要的技能之一-如何建立機器學習演算法!

　　如何建立機器學習演算法?

　　假設我們已經提供了輸入資料，建立機器學習演算法最終意味著建立一個輸出正確資訊的模型。

　　現在，將此模型視為黑匣子。我們提供輸入，並提供輸出。例如，考慮到過去幾天的氣象資訊，我們可能想建立一個預測明天天氣的模型。我們將輸入模型的輸入可以是度量，例如溫度，溼度和降水。我們將獲得的輸出將是明天的天氣預報。

　　現在，在對模型的輸出感到滿意和自信之前，我們必須訓練模型。訓練是機器學習中的核心概念，因為這是模型學習如何理解輸入資料的過程。訓練完模型後，我們可以簡單地將其輸入資料並獲得輸出。

　　如何訓練機器學習演算法?

　　訓練演算法背後的基本邏輯涉及四個要素：

　　a.資料

　　b.模型

　　c.目標函式

　　d.最佳化演算法

　　讓我們探索每個。

　　首先，我們必須準備一定數量的資料進行訓練。

　　通常，這是歷史資料，很容易獲得。

　　其次，我們需要一個模型。

　　我們可以訓練的最簡單模型是線性模型。在天氣預報示例中，這將意味著找到一些係數，將每個變數與它們相乘，然後將所有結果求和以得到輸出。但是，正如我們稍後將看到的那樣，線性模型只是冰山一角。依靠線性模型，深度機器學習使我們可以建立複雜的非線性模型。它們通常比簡單的線性關係更好地擬合數據。

　　第三個要素是目標函式。

　　到目前為止，我們獲取了資料，並將其輸入到模型中，並獲得了輸出。當然，我們希望此輸出儘可能接近實際情況。大資料分析機器學習AI入門指南https://www.aaa-cg.com.cn/data/2273.html這就是目標函數出現的地方。它估計平均而言，模型輸出的正確性。整個機器學習框架歸結為最佳化此功能。例如，如果我們的函式正在測量模型的預測誤差，則我們希望將該誤差最小化，或者換句話說，將目標函式最小化。

　　我們最後的要素是最佳化演算法。它由機制組成，透過這些機制我們可以更改模型的引數以最佳化目標函式。例如，如果我們的天氣預報模型為：

　　明天的天氣等於：W1乘以溫度，W2乘以溼度，最佳化演算法可能會經過以下值：

　　W1和W2是將更改的引數。對於每組引數，我們將計算目標函式。然後，我們將選擇具有最高預測能力的模型。我們怎麼知道哪一個最好?好吧，那將是具有最佳目標函式的那個，不是嗎?好的。大!

　　您是否注意到我們說了四個成分，而不是說了四個步驟?這是有意的，因為機器學習過程是迭代的。我們將資料輸入模型，並透過目標函式比較準確性。然後，我們更改模型的引數並重復操作。當我們達到無法再最佳化或不需要最佳化的程度時，我們將停止，因為我們已經找到了解決問題的足夠好的解決方案。

https://www.toutiao.com/i6821026294461891086/

機器學習專業學習需要從兩個方面入手，一個是研究型方向，第二個是應用型方向。

研究型人才自不必說，研究型就是能夠提出原創型的機器學習模型[比如RESNET的提出者何凱明博士]，就是我們通常所說的大牛，其實不止機器學習，任何領域的創新型人才，恐怕都是很搶手的。關於應用型方向，應用其實就是指垂直領域的綜合性應用，而不是mnist這類samples。如果只是呼叫機器學習的包(比如sklearn)做一些簡單的例子; 或者在caffe或tensorflow跑幾個例子，設計(修改)一下網路，調整一下超引數，拿資料訓練及測試一下，這類人才將來肯定會飽和的。工作量不大，又沒有太多創新的話，可替代性就高了。

可以考慮三個出發點:

1.具有一定的機器學習基礎，又要對某個領域具有深刻認識的人才。這類人在某個行業紮根很深很久，熟知其痛點和需求，尤其清楚有哪些坑。既可以在公司裡做產品經理，時機成熟也可以創業，可謂進可攻退可守。

2.技術基礎紮實，學習能力強，具有一定的理論基礎。尤其是演算法實現能力強，甚至可以對框架進行最佳化，或者能夠分析出模型最佳化的方向。

我舉個比方，GITHUB上有很多影象語義分割的演算法，比如經典的有DeeplabV3+,PSPNET等但這種演算法在自然場景中效果比較好，在遙感影像這種高密度場景中如果直接套用，效果就比較差，這個原因實際上就是因為遙感影像實體密集，場景單一，採用神經網路時同樣大小的感受野在自然場景中能夠關聯住有相互關聯的事物，而在遙感影像這種密集型的影象中，同樣大小的感受野往往關聯的實體都是無關的，這就是很難將演算法從自然場景直接遷移至遙感影像的原因，知道這個原因就可以對演算法進行改進，提高識別效率。一般水平的從業者多是在呼叫現成演算法時沒有問題，但如何改進，沒有思路和方向。這個就是差距。

3.從產品開發人手，這類人可能不一定很懂演算法，但很清楚怎麼做機器學習應用，怎麼把產品做到極致，好用。比如人臉識別系統，演算法只是一小部分，更重要的是整個系統架構，做一個demo當然容易，但一個端到端的人臉識別系統包括影片採集，解碼，人臉檢測，特徵提取與人臉資料庫(檢索)，業務邏輯，聯動報警，分散式多級部署等等。

以上第一類人才側重於"我們要做什麼，哪個方向"，第二類人才側重於"怎麼做"，第三類人才負責"怎麼把產品做好"。對大多數從業者而言，機器學習只是工具，解決問題才是最終目的。機器學習也需要跨界。機器學習在垂直領域裡的需求非常多，比如和金融科技結合，醫療智慧診斷結合，國土資源監測結合等，如果能把業務需求跟技術很好地結合，也大多數相關從業者的一個重要方向。