什么是机器学习 （ML）？常用算法优缺点及企业应用优势
什么是机器学习（ML）？目录
【继续上一篇文章】
常见的机器学习算法
许多机器学习算法经常使用，包括：
机器学习算法的优缺点
根据您的预算，对速度和准确性的需求，每种算法类型（监督，无监督，半监督或加强）都有其自身的优势和缺点。例如，决策树算法既用于预测数值（回归问题）和对数据进行分类。决策树使用链接决策的分支顺序，这些决策可以由树图表示。决策树的一个主要优点是，它们比神经网络更容易验证和审核。坏消息是它们可能比其他决策预测因素更不稳定。
总体而言，机器学习具有许多优势，公司可以用来提高效率。其中包括机器学习，识别大量数据可能无法检测到的大量数据的模式和趋势。该分析几乎不需要人类干预：只需输入有趣的数据集，然后让机器学习系统组装并完善其自身算法 - 随着时间的流逝，算法将继续通过更多的数据输入来改进。随着模型在与客户和用户的每种体验中，客户和用户可以享受更个性化的体验。
https://img1.baidu.com/it/u=2312532580,8633069&fm=253&fmt=JPEG&app=138&f=JPEG?w=500&h=654
不利的一面是机器学习需要大型，准确，公正的培训数据集。 Gigo是操作因素：垃圾输入/垃圾输出。收集足够的数据并拥有足够强大以运行的系统也可以消耗资源。根据输入，机器学习也容易出错。如果样本太小，则系统可能会产生完全错误或误导性完全逻辑算法。为了避免浪费预算或不满意客户，组织只有在对产出充满信心的情况下才应对“答案”采取行动。
现实世界的机器学习用例
这是您每天可能会遇到的一些机器学习示例：
语音识别：它也被称为自动语音识别（ASR ：），计算机语音识别或语音到文本，它是使用自然语言处理（NLP ：）将人类语音转化为书面格式的能力。许多移动设备将语音识别集成到他们的系统中，以进行语音搜索（例如SIRI）或提高文本消息的可访问性。
客户服务：在线聊天机器人正在替代客户旅程中的人类代理商，改变了我们对网站和社交媒体平台上客户参与度的看法。聊天机器人回答有关运输等主题的常见问题（常见问题解答），或为用户提供个性化建议，交叉销售产品或建议的尺寸。示例包括电子商务网站上的虚拟代理；使用Slack和；以及通常由虚拟助手和语音助手完成的任务。
计算机视觉：该人工智能技术使计算机能够从数字图像，视频和其他视觉输入中获取有意义的信息，然后采取适当的操作。在卷积神经网络的支持下，计算机视觉在社交媒体上的照片标签，医疗保健中的射线照相成像以及汽车行业的自动驾驶汽车中提供了应用。
建议引擎：使用过去的消费行为数据，人工智能算法可以帮助发现数据趋势，从而制定更有效的交叉销售策略。在线零售商在结帐过程中使用推荐引擎向客户推荐相关产品。
RPA使用智能自动化技术来执行重复的手动任务。
自动股票交易：AI驱动的高频交易平台旨在优化股票投资组合，每天进行数千甚至数百万笔交易而无需人工干预。
欺诈检测：银行和其他金融机构可以使用机器学习来发现可疑交易。监督学习可以将有关已知欺诈交易的信息用于培训模型。异常检测可以识别出似乎是非典型且值得进一步研究的交易。
机器学习的挑战
https://img0.baidu.com/it/u=2457494925,1161216245&fm=253&fmt=JPEG&app=138&f=JPEG?w=500&h=654
随着机器学习技术的发展，这确实使我们的生活更加轻松。但是，企业中机器学习的实施也提出了一些有关人工智能技术的道德问题。其中一些包括：
技术奇异性
尽管该主题引起了公众的广泛关注，但许多研究人员并不关心人工智能在不久的将来可以超越人类智能的想法。技术奇异性也被称为强大的人工智能或超级智能。哲学家尼克·博斯特罗姆（Nick ）将上插图定义为“远远超过几乎每个领域的人类大脑，包括科学的创造力，一般智力和社交技能。虽然超级智能和社交技能并不是迫在眉睫。在社会中，它的想法在社会上并不是迫在眉睫，但它的想法会引发一些有趣的问题，当我们考虑使用自主性的自主性自动驾驶时，这是不切实际的自主行为。汽车或将这项技术限制在有助于人们安全驾驶的半自主汽车上，但随着新的创新人工智能技术的发展，这些类型的道德辩论正在进行。
【待续】
月历第三个月的第25天
2024.5.3
[一些来自互联网的图片，如果侵权，请删除]
页:
[1]