什么是机器学习？

阿瑟·克拉克 (Arthur C. Clarke) 曾经说过：

“任何足够先进的技术都与魔法没有区别。”

乍一看，机器学习可能看起来很神奇，但一旦深入研究，您就会发现它是一组从数据中获取意义的工具。

我们身边的数据

传统上，人类分析数据并使系统适应数据模式的变化。然而，随着数据量超出了人类理解数据和手动编写规则的能力，我们将越来越多地转向可以从数据中学习的自动化系统，更重要的是，可以从数据中学习变化，以适应不断变化的数据景观。

机器学习已经无处不在

我们在今天使用的产品中看到机器学习无处不在，但我们并不总是清楚机器学习是这一切的背后。虽然标记图片中的对象和人物显然是机器学习，但您可能没有意识到视频推荐系统等功能通常也由机器学习提供支持。

当然，也许最大的例子是谷歌搜索。每次使用 Google 搜索时，您都在使用一个以许多机器学习系统为核心的系统，从理解查询文本到根据您的个人兴趣调整结果。当您搜索“Java”时，机器学习会根据它认为您是咖啡专家还是开发人员来确定首先显示哪些结果。也许你们都是！

如今，机器学习的直接应用已经相当广泛，包括图像识别，欺诈检测，推荐引擎，以及文本语音系统。 这些强大的功能可以应用于广泛的领域，从糖尿病视网膜病变和皮肤癌检测，到销售行业，当然还有交通运输，无人驾驶领域。

预期的功能

         当一家公司或产品在其产品中包含机器学习时，它被认为是新颖的。现在，每家公司都希望在其产品中使用机器学习。它正在迅速成为一项预期功能。正如我们期望公司拥有一个可在我们的移动设备或应用程序上运行的网站一样，我们的技术将变得个性化、富有洞察力和自我纠正的这一天很快就会到来。

当我们使用机器学习使现有的人工任务比以前更好、更快或更容易时，我们也可以进一步展望未来，届时机器学习可以帮助我们完成我们自己永远无法完成的任务。

值得庆幸的是，利用机器学习并不难。工具已经变得非常好；您所需要的只是数据、开发人员和冒险的意愿。

使用数据来回答问题

出于我们的目的，我们可以将机器学习的定义缩短为五个词：

“用数据来回答问题”

当然，这过于简单化了，但它仍然可以起到有用的作用。

特别是，我们可以将定义分为两部分：“使用数据”和“回答问题”。这两篇文章大致概述了机器学习的两个方面，两者同样重要。

“使用数据”就是通常所说的“训练”，而“回答问题”则被称为“做出预测”或“推理”。

将这两个部分连接在一起的是模型。我们使用我们的数据集训练模型以做出更好、更有用的预测。然后可以部署该预测模型来对以前未见过的数据进行预测。

数据是关键

您可能已经注意到，此过程的关键组成部分是数据。数据是解锁机器学习的关键，就像机器学习是解锁隐藏在数据中的洞察力的关键一样。

下一步是什么？

这只是对机器学习、其有用性及其一些应用的高级概述。机器学习是一个广泛的领域，涵盖从数据推断答案的整个技术系列。将来，我们的目标是让您更好地了解针对给定数据集和您想要回答的问题使用什么方法，并提供实现该目标的工具。

这是有关 Cloud AI Adventures 的系列文章中的第一篇。下一次，我们将更详细地深入探讨 ML 的具体过程，逐步介绍如何解决机器学习问题的公式。