作者 | Daniel Faggella

編譯 | CDA數(shù)據(jù)分析師 

自2012年以來，很容易看到風(fēng)險(xiǎn)投資，會(huì)議和與業(yè)務(wù)相關(guān)的“機(jī)器學(xué)習(xí)”查詢的廣泛普及-但大多數(shù)技術(shù)主管通常很難確定他們的業(yè)務(wù)可能將機(jī)器學(xué)習(xí)（ML）實(shí)際應(yīng)用于業(yè)務(wù)問題的位置。

隨著每周創(chuàng)建新的AI流行語，似乎很難掌握哪些應(yīng)用程序是可行的，哪些是炒作，夸張或騙局。

在本文中，我們將分解ML通常處理的業(yè)務(wù)問題的類別，并且還將提供可行的建議，以正確的方法和觀點(diǎn)開始ML計(jì)劃（即使這是您執(zhí)行的第一個(gè)此類項(xiàng)目）在您的公司）。

最重要的是，我們將參考真實(shí)的業(yè)務(wù)用例，以及來自我們的AI研究人員和執(zhí)行人員網(wǎng)絡(luò)的“如何用ML解決業(yè)務(wù)問題”的引用和觀點(diǎn)。到本文結(jié)尾，您將對(duì)ML是否可以很好地解決您當(dāng)前的任何業(yè)務(wù)挑戰(zhàn)有一個(gè)好主意。

*注意：在本文的底部，我以簡單語言列出了ML術(shù)語的基本詞匯表。如果您發(fā)現(xiàn)本文中您所不理解的短語或術(shù)語，請(qǐng)參閱下面的詞匯表，或者，如果您希望我們對(duì)本文中的概念更加清楚，請(qǐng) [與我們聯(lián)系]

機(jī)器學(xué)習(xí)可以處理哪些類型的業(yè)務(wù)問題

1 –您要做出的預(yù)測(cè)（或您要做出的決定）是否足夠復(fù)雜，以至于首先需要進(jìn)行ML？

如果有可能構(gòu)建一套規(guī)則或“如果-則情景”來完全解決您的問題，那么可能根本就不需要ML。此外，如果沒有成功的先例可將機(jī)器學(xué)習(xí)應(yīng)用于您要解決的特定問題，那么這可能不是進(jìn)入ML世界的最佳途徑。

出于說明目的，列出一些成熟的機(jī)器學(xué)習(xí)業(yè)務(wù)用例將很有幫助，以便您（讀者）可以提出自己的應(yīng)用程序構(gòu)想：

• 人臉檢測(cè)： 編寫一套“規(guī)則”以使機(jī)器能夠檢測(cè)人臉是非常困難的（考慮所有不同的膚色，視角，頭發(fā)/面部毛發(fā)等），但是可以訓(xùn)練算法來檢測(cè)人臉，就像在Facebook上使用的一樣。用于面部檢測(cè)和識(shí)別的許多工具都是開源的。以下是使用MATLAB進(jìn)行面部識(shí)別的視頻：
  
• 電子郵件垃圾郵件過濾器 –某些垃圾郵件過濾器可以通過規(guī)則來完成（即，通過明顯阻止垃圾郵件專用的IP地址），但是許多過濾是基于與每個(gè)特定用戶相關(guān)的收件箱內(nèi)容的上下文。大量的電子郵件和大量的用戶標(biāo)記為“垃圾郵件”（標(biāo)記數(shù)據(jù)）構(gòu)成了一個(gè)很好的監(jiān)督學(xué)習(xí)問題。
• 產(chǎn)品/音樂/電影推薦 –每個(gè)人的偏好都不同，偏好會(huì)隨著時(shí)間而變化。像Amazon，Netflix和Spotify這樣的公司使用大量商品（產(chǎn)品，歌曲等）中的評(píng)分和參與度來預(yù)測(cè)任何給定用戶可能想要購買，觀看或收聽的內(nèi)容。
• 語音識(shí)別 –沒有單一的聲音組合來專門傳達(dá)人類的語音，并且各個(gè)發(fā)音的差異很大–機(jī)器學(xué)習(xí)可以識(shí)別語音模式并幫助將語音轉(zhuǎn)換為文本。Nuance Communications（Dragon Dictation的制造商）是當(dāng)今最知名的語音識(shí)別公司之一。
• 實(shí)時(shí)出價(jià)（在線廣告） – Facebook和Google永遠(yuǎn)無法編寫特定的“規(guī)則”來確定給定類型的用戶最有可能點(diǎn)擊哪些廣告。機(jī)器學(xué)習(xí)有助于識(shí)別用戶行為的模式，并確定哪些廣告最可能與哪個(gè)用戶相關(guān)。
• 信用卡購買欺詐檢測(cè) –與電子郵件垃圾郵件過濾器一樣，只能使用具體規(guī)則進(jìn)行欺詐檢測(cè)的一小部分。不斷使用新的欺詐方法，并且系統(tǒng)必須適應(yīng)實(shí)時(shí)檢測(cè)這些模式，以哄騙與欺詐相關(guān)的常見信號(hào)。

2 –您是否有新數(shù)據(jù)和干凈數(shù)據(jù)？

在經(jīng)驗(yàn)豐富的數(shù)據(jù)科學(xué)專業(yè)人員中，“清潔數(shù)據(jù)勝于大數(shù)據(jù)”是一個(gè)常見的說法。如果您擁有數(shù)年前的大量業(yè)務(wù)數(shù)據(jù)，則今天可能沒有任何意義，尤其是在基本業(yè)務(wù)流程逐年急劇變化的領(lǐng)域（例如移動(dòng)電子商務(wù)）中。如果您有大量的非結(jié)構(gòu)化數(shù)據(jù)和脫節(jié)數(shù)據(jù)，那么您可能需要進(jìn)行太多的“清理”工作，然后才能開始從收集的信息中學(xué)習(xí)。

UBER機(jī)器學(xué)習(xí)負(fù)責(zé)人Danny Lange曾經(jīng)建議剛開始機(jī)器學(xué)習(xí)的公司應(yīng)從對(duì)歷史數(shù)據(jù)應(yīng)用監(jiān)督的機(jī)器學(xué)習(xí)開始。查找已經(jīng)干凈且相對(duì)較新的數(shù)據(jù)，并使用帶有標(biāo)簽的培訓(xùn)數(shù)據(jù)開始尋找見解。

請(qǐng)注意，在瞬息萬變的領(lǐng)域，肯定需要更新的數(shù)據(jù)。例如，如果您為寵物用品運(yùn)行上門送貨服務(wù)，而您的應(yīng)用，價(jià)格，產(chǎn)品和服務(wù)范圍在過去六個(gè)月中發(fā)生了顯著變化，那么您需要的最新數(shù)據(jù)要比蒙大拿州出售房主保險(xiǎn)的公司。如果數(shù)據(jù)與您當(dāng)前業(yè)務(wù)的相關(guān)趨勢(shì)和細(xì)微差別無關(guān)，則不太可能收集預(yù)測(cè)價(jià)值。

3 –您的數(shù)據(jù)是否已有標(biāo)簽來幫助機(jī)器理解它？

雖然無監(jiān)督學(xué)習(xí)（請(qǐng)參閱下面的術(shù)語表）允許在不使用標(biāo)簽的情況下實(shí)現(xiàn)廣泛的數(shù)據(jù)意義的應(yīng)用，但通常不建議公司在無監(jiān)督學(xué)習(xí)中首次應(yīng)用“跳入”機(jī)器學(xué)習(xí)。ML用例的低調(diào)成果很可能是從其歷史標(biāo)記數(shù)據(jù)中產(chǎn)生的。以下是一些可能有助于讀者獲得新想法的示例：

• Facebook在其平臺(tái)上擁有數(shù)以百萬計(jì)的帶有標(biāo)簽的人臉，這些人臉已經(jīng)與個(gè)人相關(guān)聯(lián)。這使Facebook能夠在海量的各種光照條件下從不同角度對(duì)數(shù)以百萬計(jì)的面部進(jìn)行訓(xùn)練，從而在海量標(biāo)簽數(shù)據(jù)上訓(xùn)練算法，從而可以對(duì)算法進(jìn)行高度優(yōu)化和調(diào)整，以識(shí)別特定的人臉。
  
• Google提供數(shù)十億美元的搜索結(jié)果，并可以根據(jù)其頂部列表的點(diǎn)擊率，頁面加載時(shí)間，特定訪問者的頁面停留時(shí)間以及許多其他因素來評(píng)估其搜索結(jié)果的有用性和相關(guān)性。不可能找到一套嚴(yán)格的規(guī)則來顯示正確的搜索結(jié)果，因此Google的算法可以通過數(shù)十億次每日搜索中的實(shí)時(shí)互動(dòng)來了解最佳選擇。

4 –您對(duì)這個(gè)問題的解決方案可以容忍一些錯(cuò)誤嗎？

ML可能被認(rèn)為是一種“技能”，就像人們可以將其應(yīng)用于人類一樣。一種技能，可以根據(jù)經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，適應(yīng)和發(fā)展。由于這個(gè)原因，機(jī)器學(xué)習(xí)解決方案通常會(huì)在一定百分比的時(shí)間內(nèi)是不正確的，尤其是當(dāng)它是由新的或變化的刺激告知時(shí)。如果您的任務(wù)絕對(duì)不允許出現(xiàn)任何錯(cuò)誤，則ML可能是該工作的錯(cuò)誤工具。

不允許出現(xiàn)錯(cuò)誤的應(yīng)用程序示例可能是旨在讀取發(fā)票或賬單金額然后支付該發(fā)票或賬單的應(yīng)用程序。一個(gè)字母或一個(gè)數(shù)字的差異可能意味著多付了您賬單原始金額的10倍（如果十進(jìn)制被解釋為在錯(cuò)誤的位置），或匯款給了錯(cuò)誤的公司（如果發(fā)票公司名稱未正確注冊(cè)） 。

在上述情況下，某種程度的ML可能有助于“存儲(chǔ)”不同類型的賬單或發(fā)票，但是輸入付款金額并發(fā)送付款的最終決定可能需要負(fù)責(zé)任的人員。

作為一個(gè)有趣的警告，位于舊金山的一家名為Roger.ai的初創(chuàng)公司旨在利用自然語言處理和機(jī)器視覺來實(shí)現(xiàn)賬單和支付賬單，盡管它在匯款之前將人們拉入了循環(huán)。

來自Emerj網(wǎng)絡(luò)的報(bào)價(jià)：

為了獲得關(guān)于“為機(jī)器學(xué)習(xí)選擇業(yè)務(wù)問題”問題的更多觀點(diǎn)，我們決定與以前的AI播客訪談對(duì)象的網(wǎng)絡(luò)聯(lián)系，為我們的業(yè)務(wù)讀者提供更多指導(dǎo)：

Ben Waber博士-麻省理工學(xué)院博士-Humanyze（人工智能技術(shù)的人分析公司）首席執(zhí)行官：

“ 任何具有硬數(shù)據(jù)，可變性和大量示例的業(yè)務(wù)問題。”

Danko Nikolic博士-奧克拉荷馬大學(xué)博士學(xué)位-計(jì)算機(jī)科學(xué)公司的數(shù)據(jù)科學(xué)和BD＆A：

“ 1。公司可以節(jié)省很多錢。

2.預(yù)測(cè)需要許多變量，它們之間復(fù)雜的非線性關(guān)系，在某些情況下是高度隨機(jī)的。因此，通常只有算法才能了解這些關(guān)系。光是人類就很難?！?/span>

Charles Martin博士-芝加哥大學(xué)博士-計(jì)算咨詢公司首席執(zhí)行官：

“ 最好的問題是存在一個(gè)龐大的歷史數(shù)據(jù)集，這些數(shù)據(jù)集既包含豐富的功能，又包含可以用于構(gòu)建的直接反饋以及可以輕松實(shí)施和測(cè)試的算法，這將降低運(yùn)營成本， /或立即增加收入。“

Ronen Meiri博士-特拉維夫大學(xué)博士-DMWay首席技術(shù)官兼創(chuàng)始人

：“大多數(shù)企業(yè)的問題可以采用兩種機(jī)器學(xué)習(xí)方法妥善解決 1 日：‘什么可能會(huì)發(fā)生’ 和 2 次：“什么是...未來的預(yù)期值？”。

第一個(gè)是分類類型問題，其中包括對(duì)在許多其他用例中可能流失，違約，購買，出售的人進(jìn)行分類。

第二個(gè)問題是期望值問題，該問題可以通過回歸解決，并且可以針對(duì)各種用例（如定價(jià)優(yōu)化和預(yù)測(cè)生命周期價(jià)值）提供準(zhǔn)確的預(yù)測(cè)?！?/span>

彼得·沃斯（Peter Voss）-AGI創(chuàng)新公司首席執(zhí)行官：

（首先，彼得引用喬治·梅森大學(xué)教授羅賓·漢森博士的話：“優(yōu)秀的CS專家說：大多數(shù)認(rèn)為自己想要高級(jí)AI / ML的公司實(shí)際上只需要對(duì)清理后的數(shù)據(jù)進(jìn)行線性回歸。”）

“我認(rèn)為大多數(shù)企業(yè)都沒有理由在ML / DL上進(jìn)行投資（當(dāng)然，ML意味著很多事情）。 每個(gè)人都在談?wù)摰淖钋把貎?nèi)容需要大量數(shù)據(jù)和專業(yè)知識(shí)，并且是靜態(tài)的，即，當(dāng)數(shù)據(jù)或類別更改時(shí)，需要對(duì)其進(jìn)行重新培訓(xùn)?！?/span>

線性回歸是最古老，最簡單且廣泛使用的機(jī)器學(xué)習(xí)模型之一。一些研究人員認(rèn)為，至少在最初，許多中間預(yù)測(cè)問題可能只需要基本方法即可。圖片由MathWorks提供。

彼得的評(píng)論是恰當(dāng)?shù)模粦?yīng)掉以輕心。當(dāng)ML因其流行和流行而被人們搶走時(shí)，它不可能產(chǎn)生顯著的結(jié)果。找到最適合您的底線需求的工具；ML可能不是滿足業(yè)務(wù)或增長目標(biāo)所需的解決方案。

這使我們進(jìn)入了本指南的第二個(gè)主要部分：

將機(jī)器學(xué)習(xí)應(yīng)用于業(yè)務(wù)問題的指針

1 –從優(yōu)先級(jí)問題開始，而不是玩具問題

在與查爾斯·馬?。–harles Martin）博士（灣區(qū)AI顧問）的場(chǎng)外對(duì)話中，他提到許多公司熱情地閱讀了有關(guān)ML的內(nèi)容，并決定“找到某種使用它的方法?！边@導(dǎo)致團(tuán)隊(duì)沒有真正的動(dòng)力。或追求（或承諾的資源）以驅(qū)動(dòng)實(shí)際結(jié)果。選擇一個(gè)非常重要的業(yè)務(wù)問題，并且似乎很有可能得到解決

UBER的Danny Lange從一開始就提到，有一個(gè)思維過程很可能會(huì)產(chǎn)生富有成果的機(jī)器學(xué)習(xí)用例思想：“如果我們只知道____?！?/span>

問問自己，您想知道哪些關(guān)鍵業(yè)務(wù)信息，但當(dāng)前無法訪問？也許是在了解最有可能產(chǎn)生最高客戶生命周期價(jià)值的潛在客戶來源，或者最能表明預(yù)期客戶流失的用戶行為。

2-您可以給它數(shù)據(jù)，但是所有上下文都必須來自您

想想要“饋送”您的算法的信息并不像假定的那么容易。機(jī)器學(xué)習(xí)算法雖然擅長識(shí)別相關(guān)性，但他們無法理解圍繞數(shù)據(jù)的事實(shí)，這些事實(shí)可能使數(shù)據(jù)變得相關(guān)或不相關(guān)。以下是“上下文”如何阻礙開發(fā)有效的ML解決方案的一些示例：

• 預(yù)測(cè)電子商務(wù)客戶的生命周期價(jià)值： 可以為算法提供有關(guān)歷史客戶生命周期價(jià)值的數(shù)據(jù)，而無需考慮通過運(yùn)行了兩年以上但未能實(shí)現(xiàn)收支平衡的電話外聯(lián)計(jì)劃與許多生命周期最高價(jià)值的客戶進(jìn)行了聯(lián)系，盡管產(chǎn)生了新的銷售。如果這樣的電話跟進(jìn)計(jì)劃不會(huì)成為未來電子商務(wù)銷售增長的一部分，那么這些銷售就不應(yīng)該被提供給機(jī)器。
  
• 確定醫(yī)療恢復(fù)時(shí)間： 數(shù)據(jù)可能會(huì)提供給機(jī)器，以確定對(duì)一級(jí)或二級(jí)燒傷患者的治療方法。該機(jī)器可以預(yù)測(cè)，許多二級(jí)燒傷受害者將只需要與一級(jí)燒傷受害者一樣多的時(shí)間，因?yàn)樗鼪]有考慮到二級(jí)燒傷受害者過去獲得的更快，更重的護(hù)理。上下文本身不在數(shù)據(jù)本身中，因此計(jì)算機(jī)僅假設(shè)第二度的燒傷愈合速度與第一度一樣快。
  
• 推薦相關(guān)產(chǎn)品： 電子商務(wù)零售商的推薦引擎過度推薦特定產(chǎn)品。研究人員直到后來才發(fā)現(xiàn)該產(chǎn)品在一年多以前得到了大力推廣，因此歷史數(shù)據(jù)表明現(xiàn)有購買者的銷售量大幅增加。但是，根據(jù)“交易”和低廉的價(jià)格，這些促銷購買的商品銷量更高，而根據(jù)客戶的實(shí)際相關(guān)意圖則更少。

3 –期望修補(bǔ)，調(diào)整和調(diào)整以找到投資回報(bào)率

構(gòu)建ML解決方案需要在選擇算法，選擇數(shù)據(jù)，清理數(shù)據(jù)以及在實(shí)際環(huán)境中進(jìn)行測(cè)試時(shí)進(jìn)行仔細(xì)的思考和測(cè)試。對(duì)于獨(dú)特而復(fù)雜的業(yè)務(wù)用例，沒有“開箱即用”的機(jī)器學(xué)習(xí)解決方案。即使對(duì)于極為常見的用例（推薦引擎，預(yù)測(cè)客戶流失），每個(gè)應(yīng)用程序也會(huì)有很大差異，并且需要迭代和調(diào)整。如果一家公司沒有進(jìn)行長時(shí)間的修補(bǔ)就投入了ML項(xiàng)目，那么它可能永遠(yuǎn)不會(huì)取得有用的結(jié)果。

來自Emerj網(wǎng)絡(luò)的報(bào)價(jià)：

我們?cè)俅温?lián)系了我們的Emerj受訪者和共識(shí)受訪者網(wǎng)絡(luò)，以獲取有關(guān)在企業(yè)中實(shí)施機(jī)器學(xué)習(xí)的意見和技巧。以下是引號(hào)的集合：

Ben Waber博士-麻省理工學(xué)院博士-Humanyze（人工智能技術(shù)的人分析公司）首席執(zhí)行官：

“ 您不能使用ML真空解決業(yè)務(wù)問題。確保您得到業(yè)務(wù)部門負(fù)責(zé)人的支持，以根據(jù)分析做出具體更改?！?/span>

Danko Nikolic博士-奧克拉荷馬大學(xué)博士學(xué)位-計(jì)算機(jī)科學(xué)公司的數(shù)據(jù)科學(xué)和BD＆A：

“ 企業(yè)在使用ML時(shí)常犯的最常見錯(cuò)誤是，他們認(rèn)為ML解決方案是一站式過程：他們將數(shù)據(jù)發(fā)送給數(shù)據(jù)科學(xué)家，而數(shù)據(jù)科學(xué)家則將模型返回。與此相反，找到好的ML解決方案是一個(gè)反復(fù)的過程，涉及研究，試驗(yàn)和錯(cuò)誤，試驗(yàn)，與業(yè)務(wù)專家交談等。

ML永遠(yuǎn)不可能成為商品。ML的成功在很大程度上取決于做到這一點(diǎn)的人的知識(shí)，技能和奉獻(xiàn)精神?！?/span>

Charles Martin博士-芝加哥大學(xué)博士-計(jì)算咨詢公司首席執(zhí)行官：

“在您掌握要做什么之前，請(qǐng)避免建立大規(guī)模的基礎(chǔ)架構(gòu)。您可以輕松地花費(fèi)6個(gè)月到一年的時(shí)間來設(shè)置Hadoop和Spark，而不會(huì)看到任何投資回報(bào)。

如果您5％的數(shù)據(jù)正確且有用，您將很幸運(yùn)。您需要設(shè)計(jì)一個(gè)實(shí)驗(yàn)，以識(shí)別低垂的果實(shí)并找出所需的數(shù)據(jù)。您可以在高內(nèi)存的AWS節(jié)點(diǎn)上構(gòu)建算法。

將算法放入實(shí)時(shí)環(huán)境中，并盡早對(duì)其進(jìn)行測(cè)試。不要構(gòu)建嘗試完整的生產(chǎn)系統(tǒng)。記住，ML是關(guān)于數(shù)學(xué)的，而不是編碼！您想測(cè)試一下。運(yùn)行足夠的示例來消除問題，但不要太小，以至于統(tǒng)計(jì)數(shù)據(jù)毫無意義。”

Ferris Jumah-以前曾在LinkedIn擔(dān)任ML-灣區(qū)ML顧問：

“盡快獲取數(shù)據(jù)驅(qū)動(dòng)。機(jī)器學(xué)習(xí)不是免費(fèi)提供的。您需要圍繞數(shù)據(jù)建立直覺，如何衡量業(yè)務(wù)并了解客戶，不僅將度量值鏈接，還將洞察力鏈接到?jīng)Q策制定。記錄所有內(nèi)容，構(gòu)建存儲(chǔ)和處理系統(tǒng)，確保它們可訪問，對(duì)產(chǎn)品進(jìn)行深入分析和盡可能多的實(shí)驗(yàn)，并在盡可能多的產(chǎn)品中內(nèi)置智能。

在這一點(diǎn)上，消費(fèi)者期望個(gè)性化和“智能”功能。建立它們，向他們學(xué)習(xí)，并確保您擁有適當(dāng)?shù)姆答仚C(jī)制。最后，雇用和投資對(duì)您的問題和業(yè)務(wù)充滿熱情的數(shù)據(jù)人員?！?/span>

共識(shí)（在上面引用的數(shù)量有限，以及與具有業(yè)務(wù)頭腦的數(shù)據(jù)科學(xué)家進(jìn)行的其他數(shù)十次對(duì)話中）是，機(jī)器學(xué)習(xí)不像營銷自動(dòng)化軟件那樣僅僅是“工具”。任何擁有良好管理者并獲得社區(qū)大學(xué)學(xué)士學(xué)位的人都可以選擇“持續(xù)聯(lián)系”，甚至可以選擇（甚至可以稍作修改并致電支持熱線）Marketo或Hubspot并提高公司價(jià)值。

應(yīng)用機(jī)器學(xué)習(xí)的迭代，多方面過程沒有簡單的捷徑。圖像信譽(yù)Microsoft的CortanaIntelligence。

機(jī)器學(xué)習(xí)還沒有出現(xiàn)在一個(gè)整潔的盒子中，而價(jià)值卻是由刻苦的思考，實(shí)驗(yàn)設(shè)計(jì)以及（在某些情況下）刻苦的數(shù)學(xué)創(chuàng)造的。在Google和YouTube上花費(fèi)一些時(shí)間，您可以了解如何為您的企業(yè)設(shè)置DropBox。通過機(jī)器學(xué)習(xí)預(yù)測(cè)整個(gè)客戶群的流失率嗎？不一樣的游戲。

準(zhǔn)備從ML中獲得業(yè)務(wù)價(jià)值意味著要有受過訓(xùn)練的人才，專家指導(dǎo)和（通常）巨大的“數(shù)據(jù)清理”時(shí)期-而且，正如馬丁博士在上面恰當(dāng)?shù)刂赋龅哪菢?，這沒有保證一定會(huì)贏。如果Google，Amazon和Facebook能夠讓他們的實(shí)習(xí)生建立ML系統(tǒng)，他們真的會(huì)花費(fèi)數(shù)百萬美元從學(xué)者中挖走世界頂級(jí)AI人才來為他們工作嗎？

雖然機(jī)器學(xué)習(xí)不是一個(gè)簡單的設(shè)置，但也不是任何有遠(yuǎn)見的企業(yè)都可以離開桌面太長時(shí)間。“搖滾明星”技術(shù)公司通過機(jī)器學(xué)習(xí)獲得的效率是巨大的，而灣區(qū)的初創(chuàng)企業(yè)不僅因?yàn)椤?a href='/map/jiqixuexi/' style='color:#000;font-size:inherit;'>機(jī)器學(xué)習(xí)”是一個(gè)流行詞而獲得了資金，還因?yàn)樗鼈冎械脑S多公司業(yè)務(wù)強(qiáng)大而有力案件。

感興趣的讀者可能會(huì)從我們最近對(duì)26位機(jī)器學(xué)習(xí)/人工智能研究人員達(dá)成的共識(shí)中受益，我們?cè)谄渲刑岢隽艘韵聠栴}：“機(jī)器學(xué)習(xí)應(yīng)首先應(yīng)用于商業(yè)領(lǐng)域嗎？” 該信息圖表特色充分體現(xiàn)了本文中強(qiáng)調(diào)的許多觀點(diǎn)。

高管們面臨的最終問題仍然是：我們什么時(shí)候才能擁有（a）認(rèn)真投資于機(jī)器學(xué)習(xí)所需的資源，以及（b）合法的用例，該用例始于試圖找到真正的商業(yè)價(jià)值，而不是從“試圖找到一種方法”這是一個(gè)無法為您完成的思考過程，但是我們希望本文能夠幫助您了解您的觀點(diǎn)并為您提供將來借鑒的資源。

機(jī)器學(xué)習(xí)術(shù)語表

除非另有說明，否則定義均來自維基百科。

• 機(jī)器學(xué)習(xí)（ML） –機(jī)器學(xué)習(xí)是使計(jì)算機(jī)像人類一樣學(xué)習(xí)和行動(dòng)的科學(xué)，通過以觀察和真實(shí)交互的形式向計(jì)算機(jī)提供數(shù)據(jù)和信息，從而隨著時(shí)間的推移以自主方式改善其學(xué)習(xí)。
• 監(jiān)督學(xué)習(xí) –從標(biāo)記的訓(xùn)練數(shù)據(jù)中推斷功能的機(jī)器學(xué)習(xí)任務(wù)。
• 無監(jiān)督學(xué)習(xí) –機(jī)器學(xué)習(xí)任務(wù)，可以推斷功能以描述來自未標(biāo)記數(shù)據(jù)的隱藏結(jié)構(gòu)。
• 分類 –根據(jù)一組訓(xùn)練數(shù)據(jù)確定新觀測(cè)值屬于哪一組類別
• 回歸 –一種統(tǒng)計(jì)技術(shù)，用于估計(jì)變量之間的關(guān)系（包括線性回歸，邏輯回歸和其他方法）
• 算法 -要執(zhí)行的自成體系的分步操作集。算法執(zhí)行計(jì)算，數(shù)據(jù)處理和/或自動(dòng)推理任務(wù)。
• 自然語言處理（NLP） –與計(jì)算機(jī)和人類（自然）語言之間的交互有關(guān)的計(jì)算機(jī)科學(xué)，人工智能和計(jì)算語言學(xué)領(lǐng)域。