你可能听说过谷歌和Facebook这样的公司如何利用机器学习来开车、识别语音和分类图片。你可能会想,这很酷。但这和你的工作有什么关系呢?好吧,来看看这些公司如何使用机器学习吧。
一家支付处理公司在几十亿次交易中,实时检测到了欺诈行为,每月减少损失达100万美元。
一家汽车保险公司用详细的地理空间数据,预测保险索赔的损失,让他们能够对极端天气对生意的影响进行建模。
有了车载通信技术提供的数据,一家厂商发现了运营指标的规律,并用它们来驱动前瞻性主动维护业务。
这些成功的故事中有两个相同的主题。首先,每个应用都基于大数据——极大数量的、格式不同的快速数据。第二,每个案例中,机器学习都揭示出了新的洞察,并驱动了价值的增长。
机器学习的技术基础已有超过50年历史了,但是直到最近,学术界之外的人才注意到它的能力。机器学习需要大量的计算能力,但早期的使用者们缺乏成本划算的基础设施。
近期,机器学习引起了许多人的兴趣,逐渐活跃起来,这归功于一些正在融合的趋势。
摩尔定律极大降低了计算成本;大规模计算能力可用最小的成本获得。
具有独创性的新算法提升了计算速度。
数据科学家积累了许多理论和实践知识,提升了机器学习的效率。
总的来说,大数据带来的飓风创造了许多无法用传统统计学方法解决的分析问题。需要是发明之母。旧的分析方法已经不适用于今天的商业环境。
目前,世界上共有几百种不同的机器学习算法。最近,仅在分类方面,有一篇论文就测试了超过150个算法。这个概览覆盖了数据科学家用来驱动价值的关键技术。
数据科学家将机器学习分为监督式学习和非监督式学习。监督式学习技术需要结果的先验知识。例如,如果我们正在研究一个市场活动的历史数据,我们可以根据市场是否产生预期的反应来对数据进行分类,或决定下一步要花多少钱。监督式学习技术为预测和分类提供了强大的工具。
小编推荐阅读