機器學習已廣泛應用于數(shù)據(jù)挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫(yī)學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰(zhàn)略游戲和機器人等領(lǐng)域。

什么是機器學習？

機器學習是一種數(shù)據(jù)分析方法，它可以自動分析模型的建筑。通過使用迭代學習數(shù)據(jù)的算法，機器學習可以使電腦在沒有被明確編程看哪里的情況下，發(fā)現(xiàn)隱藏的領(lǐng)域。

迭代在機器學習中是非常重要的，由于它的存在，模型在遇到新的數(shù)據(jù)時，就可以獨立地適應數(shù)據(jù)。它們可以從先前產(chǎn)生的可靠計算，重復的決定和結(jié)果中進行學習。機器學習并不是一個全新的學科-而是獲得新動力的學科。

由于新型計算技術(shù)的產(chǎn)生，如今的機器學習與以往大不相同。盡管很多機器學習算法已經(jīng)存在了很長時間，但自動將復雜的數(shù)學計算應用到大數(shù)據(jù)的能力（一個又一個，越來越快）是最新的進展。下面這些廣泛宣傳的機器學習應用程序的例子，你可能非常熟悉：

·大量的炒作，Google自動駕駛汽車？機器學習的本質(zhì)。

·像Amazon和Netflix的在線推薦服務？機器學習在日常生活中的應用

·知道客戶在Twutter上說了什么關(guān)于你的事嗎？機器學習與語言規(guī)則創(chuàng)造結(jié)合。

·欺詐檢測？在我們現(xiàn)今生活中，一個更明顯的，重要的用途。

為什么越來越多人對機器學習感興趣？

人們在機器學習方面興趣的復興，也是由于同樣的因素，即數(shù)據(jù)挖掘和貝葉斯分析比以往更受歡迎。在類似數(shù)量增長和可用數(shù)據(jù)這方面，計算處理更實惠，更強大，且負擔得起數(shù)據(jù)存儲。

以上所有的因素都暗示著：機器學習可以更快且自動的產(chǎn)生模型，以分析更大，更復雜的數(shù)據(jù)，而且傳輸更加迅速，結(jié)果更加精準——甚至是在非常大的規(guī)模中。結(jié)果是？在現(xiàn)實中無人類干涉時，高價值（ High-value）的預測可以產(chǎn)生更好的決定，和更明智的行為。

自動模型的建立是在現(xiàn)實中生成明智行動的一大關(guān)鍵。分析思想領(lǐng)袖Thomas H. Davenport在華爾街日報上寫道，日新月異，不斷增長的數(shù)據(jù)，"…你需要快速移動的建模流（ fast-moving modeling streams）來保持。"而你可以通過機器學習做到這些。他還說道"人類通常一周可以創(chuàng)建一個或兩個好的模型；而機器學習一周就可以創(chuàng)造出成千上萬的模型."

機器學習如今的應用情況如何？

你曾經(jīng)是否好奇過，一個在線零售商是如何瞬時的為您提供可能感興趣產(chǎn)品的報價嗎？或貸款人如何對你的貸款請求提供近實時的答復？我們的許多日常活動都是由機器學習算法驅(qū)動的，包括：

機器學習中最流行的學習方法有哪些？

被最廣泛采納的兩大機器學習方法是監(jiān)督學習（ supervised learning ）和無監(jiān)督學習（unsupervised learning）。大多數(shù)的機器學習（大概70%）是監(jiān)督學習。無監(jiān)督學習大概占10%-20%。有時也會使用半監(jiān)督和強化學習這兩個技術(shù)。

·監(jiān)督學習 算法利用標簽實例進行訓練，就像已知所需輸出的輸入。例如，一個設(shè)備可以有的數(shù)據(jù)點標記為“F”（失?。┗?ldquo;R”（運行）。學習算法收到了一系列有著對應正確輸出的輸入，且算法通過對比實際輸出和正確輸出進行學習，以找出錯誤。然后相應的進行模型修改。通過分類，回歸，預測和梯度提高的方法，監(jiān)督學習使用模式來預測額外的未標記數(shù)據(jù)的標簽的值。監(jiān)督學習被普遍應用于用歷史數(shù)據(jù)預測未來可能發(fā)生的事件。例如，它可以預測，什么時候信用卡交易可能是欺詐性的，或哪個保險客戶可能提出索賠。

·無監(jiān)督學習使用無歷史標簽的相反數(shù)據(jù)。系統(tǒng)不會被告知“正確答案”。算法必須搞明白被呈現(xiàn)的是什么。其目標是探索數(shù)據(jù)并找到一些內(nèi)部結(jié)構(gòu)。無監(jiān)督學習對事務性數(shù)據(jù)的處理效果很好。例如，它可以識別有相同屬性的顧客群（可以在市場營銷中被一樣對待）?；蛘咚梢哉业街饕獙傩詫⒖蛻羧罕舜藚^(qū)分開。流行的技術(shù)包括自組織映射（self-organizing maps），最近鄰映射（ nearest-neighbor mapping），k-均值聚類（k-means clustering ）和奇異值分解（singular value decomposition）。這些算法也用于段文本主題，推薦項目，和確定數(shù)據(jù)異常值。

·半監(jiān)督學習的應用和監(jiān)督學習相同。但它同時使用了標簽和無標簽數(shù)據(jù)進行訓練-通常情況下是少量的標記的數(shù)據(jù)與大量的未標記的數(shù)據(jù)（因為未標記的數(shù)據(jù)并不昂貴，且只需要較少的努力就可獲得）。這種類型的學習可以使用的方法，如分類，回歸和預測。當一個完全標記的培訓過程，其相關(guān)標簽的成本太高時，就要用到半監(jiān)督學習。其中早期的例子包括在網(wǎng)絡(luò)攝像頭上識別一個人的臉。

·強化學習經(jīng)常被用于機器人，游戲和導航。通過強化學習，該算法通過試驗和錯誤發(fā)現(xiàn)行動產(chǎn)生的最大回報。這種類型的學習有三個主要組成部分：代理（學習者或決策者），環(huán)境（一切的代理交互）和行動（什么是代理可以做的）。其目標是代理選擇的行動，可以在一個給定的時間內(nèi)最大化預期獎勵。通過一個好的策略，代理將更快地達到目標。因此，強化學習的目標是學習最好的策略。

數(shù)據(jù)挖掘、機器學習和深度學習之間的區(qū)別是什么？

機器學習與其它統(tǒng)計和學習方法的不同之處，如數(shù)據(jù)挖掘，是辯論的另一個熱門話題。簡單來說，雖然機器學習使用了許多與數(shù)據(jù)挖掘相同的算法和技術(shù)，但其中有一個區(qū)別在于這兩個學科的預測：

·數(shù)據(jù)挖掘是發(fā)現(xiàn)以前未知的模式和知識。

·機器學習是用來重現(xiàn)已知的模式和知識，自動應用到其他數(shù)據(jù)，然后自動的將這些結(jié)果應用到?jīng)Q策和行動。

目前電腦的能力逐漸增強也刺激著數(shù)據(jù)挖掘進化用于機器學習。例如神經(jīng)網(wǎng)絡(luò)很長一段時間內(nèi)被用于數(shù)據(jù)挖掘應用。隨著計算能力的增加，你可以創(chuàng)建許多層神經(jīng)網(wǎng)絡(luò)。在機器學習語言中，這些被稱為“深度神經(jīng)網(wǎng)絡(luò)”。正是計算能力的提升確保了自動學習快速的處理很多神經(jīng)網(wǎng)絡(luò)層。

進一步說，人工神經(jīng)網(wǎng)絡(luò)（ANN）是簡單的基于我們對大腦理解的一組算法。ANNs可以-在理論上-模擬數(shù)據(jù)集中任何種類的關(guān)系，但在實踐中要從神經(jīng)網(wǎng)絡(luò)得到可靠的結(jié)果，是非常棘手的。人工智能的研究可以追溯到20世紀50年代——被神經(jīng)網(wǎng)絡(luò)的成功和失敗打上了標簽。

如今，一個被稱為“深度學習”的新神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域，在許多過去人工智能方法失敗的領(lǐng)域，取得了巨大的成功。

深度學習結(jié)合了計算能力和特殊類型的神經(jīng)網(wǎng)絡(luò)，在大量的數(shù)據(jù)中學習復雜的模式。深度學習技術(shù)目前在識別圖像中的目標和聲音中的單詞方面效果最好。研究人員現(xiàn)在正在尋找方法，將這些成功的模式識別到更復雜的任務，如自動語言翻譯，醫(yī)療診斷和許多其他重要的社會以及商業(yè)問題。

機器學習的算法和過程

算法

SAS的圖形用戶界面，可以幫助你建立機器學習模型，并實現(xiàn)一個迭代機器學習的過程。不要求你是一個高級的統(tǒng)計師。我們可以綜合選擇機器學習算法幫助你快速的從大數(shù)據(jù)中獲取價值，包括許多SAS產(chǎn)品。SAS的機器學習算法，包括：

工具和過程

正如我們現(xiàn)在所知道的，它不僅僅是算法。最終，從你的大數(shù)據(jù)中獲得最大價值的秘密在于，將最好的算法與手頭的任務配對：

SAS機器學習的經(jīng)驗和專業(yè)知識

SAS不斷尋找和評估新方法。他們在實施統(tǒng)計方法，以最恰解決你面臨的問題方面有著悠久的歷史。他們將統(tǒng)計和數(shù)據(jù)挖掘方面豐富的，復雜的遺產(chǎn)與最新的，最先進的結(jié)構(gòu)結(jié)合，以確保您的模型盡可能快的運行（甚至是在巨大的企業(yè)環(huán)境中）。

我們明白，快速的時間值不僅意味著快速，自動化模型的性能，還包括在平臺之間數(shù)據(jù)移動所需要的時間——尤其針于大數(shù)據(jù)。高性能，分布式的分析技術(shù)，受益于結(jié)合Hadoop，和所有主要數(shù)據(jù)基礎(chǔ)的大規(guī)模并行處理。您可以快速地循環(huán)建模過程的所有步驟——在沒有移動數(shù)據(jù)的情況下。