數據挖掘、機器學(xué)習和深度學(xué)習之間有什么區別？

　　機器學(xué)習，有時(shí)也稱(chēng)為計算智能，近年來(lái)已經(jīng)突破了一些技術(shù)障礙，并在機器人、機器翻譯、社交網(wǎng)絡(luò )、電子商務(wù)，甚至醫藥和醫療保健等領(lǐng)域取得了重大進(jìn)展。機器學(xué)習是人工智能的一個(gè)領(lǐng)域，其目標是開(kāi)發(fā)學(xué)習計算技術(shù)以及構建能夠自動(dòng)獲取知識的系統。

　　學(xué)習系統是一種計算機程序，它通過(guò)成功解決過(guò)去的問(wèn)題積累的經(jīng)驗做出決策。盡管應用時(shí)間不長(cháng)，但是有許多不同的學(xué)習算法，該領(lǐng)域是計算領(lǐng)域最熱門(mén)的領(lǐng)域之一，并且定期發(fā)布一些新的技術(shù)和算法。

　　機器學(xué)習vs人工智能

　　許多人認為機器學(xué)習和人工智能的含義是一樣的，但這并不十分準確。人工智能有幾種定義，這其中包含機器學(xué)習的廣泛概念。一個(gè)被廣泛接受的定義是，人工智能由依賴(lài)人類(lèi)行為來(lái)解決問(wèn)題的計算機制組成。換句話(huà)說(shuō)，技術(shù)使計算機就像人類(lèi)一樣“思考”來(lái)執行任務(wù)。

　　人類(lèi)能夠分析數據，發(fā)現其中的模式或趨勢，從中進(jìn)行更明智的分析，然后使用結論做出決策。在某種意義上，人工智能也遵循同樣的原則。通常，人們完成任務(wù)越多，就越熟練。這是具有學(xué)習能力的結果。經(jīng)常重復或執行相關(guān)程序對人們來(lái)說(shuō)是一種培訓。在人工智能系統中也會(huì )發(fā)生類(lèi)似的事情：公開(kāi)獲取或記錄在專(zhuān)用平臺上的數據用作人工智能算法的培訓。

　　那么培訓是如何完成的?為此目的有幾種算法。這一切都取決于應用程序以及它們背后的組織或人員。在這里，最重要的是知道在這一點(diǎn)上機器學(xué)習是有意義的。

　　什么是機器學(xué)習?

　　機器學(xué)習也是一個(gè)有多種定義的概念，但在其核心，機器學(xué)習是一個(gè)可以根據自身經(jīng)驗自主修改其行為的系統，其人為干擾很小。這種行為修改基本上包括建立邏輯規則，目的是提高任務(wù)的性能，或者根據應用程序做出最適合場(chǎng)景的決策。這些規則是根據分析數據中的模式識別生成的。

　　例如，如果一個(gè)人在搜索引擎中鍵入“勇敢”這個(gè)詞，該服務(wù)需要分析一系列參數來(lái)決定是否顯示類(lèi)似于激怒或勇敢的結果，這可能有兩種含義。在眾多可用參數中有用戶(hù)搜索歷史：例如，如果在尋找“勇敢”之前幾分鐘，則最有可能出現第二種意義。這是一個(gè)非常簡(jiǎn)單的例子，但它說(shuō)明了機器學(xué)習的一些重要方面。

　　重要的是，系統必須根據大量數據進(jìn)行分析，這是搜索者必須放棄的一個(gè)標準，因為他們接收了數百萬(wàn)次訪(fǎng)問(wèn)，因此這是一個(gè)培訓標準。

　　另一個(gè)方面是持續的數據輸入，有利于識別新標準。假設“勇敢”這個(gè)詞成為與文化運動(dòng)相關(guān)的俚語(yǔ)，通過(guò)機器學(xué)習，搜索引擎將能夠識別指向該術(shù)語(yǔ)的新含義的模式，并且在一段時(shí)間之后，將能夠在搜索結果中考慮它。

　　機器學(xué)習有幾種方法。眾所周知的一種方法稱(chēng)之為“深度學(xué)習”，其中大量數據來(lái)自多層人工神經(jīng)網(wǎng)絡(luò )，這些算法受到解決復雜問(wèn)題的大腦神經(jīng)元結構的啟發(fā)，例如圖像中的物體識別。

　　機器學(xué)習的例子

　　機器學(xué)習的使用正在演變成各種各樣的應用，人們當今擁有的許多技術(shù)資源都基于人工智能和機器學(xué)習。

　　自治數據庫 - 借助機器學(xué)習，自治數據庫處理以前由管理人員(DBA)執行的若干任務(wù)，允許這些專(zhuān)業(yè)人員處理其他活動(dòng)，從而降低因為人為錯誤導致的應用程序不可用的風(fēng)險。

　　打擊支付系統中的欺詐行為 - 每秒都會(huì )產(chǎn)生各種信用卡欺詐和其他支付方式的嘗試。機器學(xué)習允許反欺詐系統在成功之前識別其中的大部分。

　　文本翻譯——翻譯必須考慮場(chǎng)景、區域表達式和其他參數。由于采用機器學(xué)習，自動(dòng)翻譯越來(lái)越精確。

　　內容推薦——視頻和音頻流平臺使用機器學(xué)習來(lái)分析用戶(hù)查看或拒絕的內容的歷史記錄，以便為他們提供符合其意愿的建議。

　　營(yíng)銷(xiāo)和銷(xiāo)售——根據以前的購買(mǎi)推薦產(chǎn)品和服務(wù)的網(wǎng)站使用機器學(xué)習來(lái)分析購買(mǎi)歷史，并推廣客戶(hù)可能感興趣的其他項目。這種捕獲數據、分析數據并使用它來(lái)定制購物體驗的能力或實(shí)施營(yíng)銷(xiāo)活動(dòng)是零售業(yè)的未來(lái)。

　　運輸——分析數據以識別模式和趨勢對于運輸行業(yè)至關(guān)重要，這取決于開(kāi)發(fā)更有效的路線(xiàn)，并預測潛在問(wèn)題以提高可靠性和盈利能力。機器學(xué)習數據建模和分析方面是運輸廠(chǎng)商、公共交通和業(yè)內其他組織的重要工具。

　　石油和天然氣 - 機器學(xué)習有助于發(fā)現新的能源，分析土壤中的礦物質(zhì)，預測煉油廠(chǎng)傳感器的故障，加速石油的分配，使其更加高效和經(jīng)濟。在這個(gè)行業(yè)中，機器學(xué)習應用程序的數量是巨大的，并且持續增長(cháng)。

　　醫療保健 - 由于可穿戴設備和傳感器的出現，使醫療保健專(zhuān)業(yè)人員能夠實(shí)時(shí)訪(fǎng)問(wèn)患者數據，因此機器學(xué)習是醫療保健領(lǐng)域不斷發(fā)展的趨勢。該技術(shù)還可以幫助醫學(xué)專(zhuān)家分析數據，以識別趨勢或警報，從而改善診斷和治療。

　　機器學(xué)習中使用的方法

　　兩種最廣泛采用的機器學(xué)習方法是監督學(xué)習和無(wú)監督學(xué)習，但它們并不是唯一的方法。

　　通過(guò)標記示例訓練監督學(xué)習算法，作為已知所需輸出的輸入。例如，設備可能具有標記為“F”(失敗)或“E”(執行)的數據點(diǎn)。學(xué)習算法接收一組輸入以及相應的正確輸出，并通過(guò)將實(shí)際輸出與正確輸出進(jìn)行比較來(lái)學(xué)習以發(fā)現錯誤。然后它修改結算模型。通過(guò)分類(lèi)、回歸和梯度增強等方法，監督學(xué)習使用標準來(lái)預測附加的非標記數據中的標簽值。監督學(xué)習通常用于歷史數據預測可能的未來(lái)事件的應用中。例如，它可以預測信用卡交易何時(shí)可能是欺詐性的，或者哪些投保人傾向于要求其政策。

　　非監督學(xué)習用于針對沒(méi)有歷史標簽的數據?！罢_答案”未向系統報告。算法必須找出所顯示的內容。目標是探索數據并在其中找到一些結構。無(wú)監督學(xué)習適用于交易數據。例如，它可以識別具有相似屬性的客戶(hù)群，然后可以在營(yíng)銷(xiāo)活動(dòng)中對其進(jìn)行類(lèi)似處理;或者它可以找到分隔不同客戶(hù)群的關(guān)鍵屬性。常用的技術(shù)包括自組織映射、鄰近映射、k-均值分組和分解為奇異值。這些算法還用于分割文本主題、推薦項目和識別數據中的差異點(diǎn)。

　　半監督學(xué)習用于與監督學(xué)習相同的應用程序，但處理有標簽和無(wú)標簽的數據進(jìn)行培訓——通常是用大量無(wú)標簽數據標記的少量數據(因為沒(méi)有標簽的數據更便宜，并且需要花費更少的精力來(lái)獲取)。這類(lèi)學(xué)習可用于分類(lèi)、回歸和預測等方法。當與標簽相關(guān)的成本太高而無(wú)法實(shí)現完全標記的培訓過(guò)程時(shí)，半監督學(xué)習非常有用。其典型例子包括在網(wǎng)絡(luò )攝像頭上識別人臉。

　　強化學(xué)習通常用于機器人、游戲和導航。有了它，算法通過(guò)嘗試和錯誤發(fā)現，哪些行為會(huì )帶來(lái)更大的回報。這種類(lèi)型的學(xué)習有三個(gè)主要組成部分：代理(學(xué)習者或決策者)、環(huán)境(代理與之交互的所有內容)和行動(dòng)(代理可以做什么)。目標是讓代理選擇在給定時(shí)間段內最大化預期回報的行動(dòng)。如果代理遵循一個(gè)好的政策，可以更快地實(shí)現目標。因此，強化學(xué)習的重點(diǎn)是找出最佳策略。

　　數據挖掘、機器學(xué)習和深度學(xué)習之間有什么區別?

　　雖然所有這些方法都有相同的目標，提取可用于決策的見(jiàn)解、模式和關(guān)系，但它們具有不同的方法和功能。

　　數據挖掘可以被視為從數據中提取洞察力的許多不同方法的超集。它可能涉及傳統的統計方法和機器學(xué)習。數據挖掘應用來(lái)自多個(gè)區域的方法來(lái)識別數據中先前未知的模式。這可能包括統計算法、機器學(xué)習、文本分析、時(shí)間序列分析和其他分析領(lǐng)域。數據挖掘還包括數據存儲和操作的研究和實(shí)踐。

　　通過(guò)機器學(xué)習，目的是了解數據的結構。因此，統計模型背后有一個(gè)理論是經(jīng)過(guò)數學(xué)證明的，但這要求數據也滿(mǎn)足某些假設。機器學(xué)習是從使用計算機檢查數據結構的能力發(fā)展而來(lái)的，即使人們不知道這種結構是什么樣子的。機器學(xué)習模型的測試是新數據中的驗證錯誤，而不是證明空假設的理論測試。由于機器學(xué)習通常使用迭代的方法從數據中學(xué)習，因此可以輕松地自動(dòng)學(xué)習。這些步驟通過(guò)數據執行，直到找到一個(gè)可靠的標準。

　　深度學(xué)習結合了計算能力的進(jìn)步和特殊類(lèi)型的神經(jīng)網(wǎng)絡(luò )，以學(xué)習大量數據中的復雜模式。深度學(xué)習技術(shù)是當今最先進(jìn)的技術(shù)，用于識別圖片中的對象和語(yǔ)音中的單詞。研究人員正在嘗試將模式識別方面的成功應用于更復雜的任務(wù)，例如機器翻譯、醫療診斷以及許多其他社會(huì )和企業(yè)問(wèn)題。

　　盡管人工智能和機器學(xué)習的概念早已出現，但它們開(kāi)始成為主流應用的一部分。但是，現在仍處于起步階段。如果人工智能和機器學(xué)習有用并且令人印象深刻，當得到更好的訓練和改進(jìn)時(shí)，其實(shí)施將會(huì )更加有效。