9.04亿网民真实数据曝光

什么是人工智能?

纵观人工智能的历史，其定义被不断重写。人工智能是一个概括性术语(这个概念始于50年代);机器学习是AI的子集，而深度学习又是机器学习的子集。

1985年，当我还是美国国家安全局的实习生时，人工智能也是一个非常热门的话题。在美国国家安全局，我甚至上了一节麻省理工关于人工智能专家系统的视频课程。专家系统在规则引擎中捕获专家的知识。规则引擎在金融和医疗保健等行业中有广泛的应用，最近更是用于事件处理，但是当数据发生变化时，规则的更新和维护会变得异常困难。机器学习的优势在于从数据中学习，并且可以提供数据驱动的概率预测。

在过去10年里，分析学发生了怎样的变化?

根据《哈佛商业评论》的托马斯•达文波特，分析技术过去十年里发生了翻天覆地的变化，跨商用服务器功能更强大、成本更低的分布式计算，流媒体分析、改进的机器学习技术，都使企业能够存储和分析更多的、不同类型的数据。

类似Apache Spark这样的技术使用迭代算法，通过在内存中跨迭代缓存数据并使用更轻量级的线程，进一步加速了分布式数据的并行处理。

图形处理单元(GPUs)加快了多核服务器的并行处理速度。GPU拥有一个由数千个更小、更高效的核心组成的大规模并行架构，这些核心专门设计用于同时处理多任务，而CPU由几个为顺序串行处理而优化的核心组成。就潜在的性能而言，从Cray -1进化到如今拥有大量GPU的集群，其性能提升大约是曾经世界上最快计算机的100万倍，而成本却只有其极小一部分。

什么是机器学习?

机器学习使用算法在数据中发现模式，然后使用一个能识别这些模式的模型对新的数据进行预测。

一般来说，机器学习可以分为三种类型：监督型、非监督型、介于两者之间。监督学习算法使用标记数据，而非监督学习算法在未标记数据中发现模式。半监督学习使用标记数据和未标记数据的混合。强化学习训练算法在反馈的基础上最大化奖励。

监督学习

监督算法使用标记数据，这些数据的输入和目标的结果或标签都会提供给算法。

监督学习也被称为预测建模或预测分析，因为你建立了一个能够做出预测的模型。预测建模的一些例子是分类和回归。分类根据已知项的已标记示例(例如，已知是否为欺诈的交易)来识别一个项属于哪个类别(例如，某交易是否为欺诈)。逻辑回归预测了一个概率——例如，欺诈的概率。线性回归预测一个数值——例如，欺诈的数量。

一些分类的例子包括：

• 信用卡欺诈检测(欺诈，不是欺诈)。
• 信用卡申请(良好信用，不良信用)。
• 垃圾邮件检测(垃圾邮件，不是垃圾邮件)。
• 文字情绪分析(快乐，不快乐)。
• 预测患者风险(高风险患者、低风险患者)。
• 恶性或非恶性肿瘤的分类。

逻辑回归(或其他算法)的一些例子包括：

• 根据历史汽车保险欺诈性索赔以及这些索赔的特征，例如索赔人的年龄、索赔金额、事故严重程度等，预测欺诈发生的概率。
• 给定患者特征，预测充血性心力衰竭的概率。

So线性回归的一些例子包括：

• 根据历史汽车保险欺诈性索赔以及这些索赔的特征，如索赔人的年龄、索赔金额、事故的严重程度等，预测欺诈金额。
• 根据历史房地产销售价格和房屋特征(如平方英尺，卧室数量，位置)，预测房子的价格。
• 根据历史上的社区犯罪统计，预测犯罪率。

这里还有其他的监督和非监督学习算法，我们不会一一介绍，但我们会详细介绍每类中的一个。

（编辑：宣城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!