机器学习的成熟应用场景? 举报 理由 举报 取消 机器学习的概念在当下特别火热,是什么样的(商业)应用前景促成了现在这种局面? 具体而言有两点疑惑: 第一,机器学习如今在工业界有没有成熟的有巨大潜力的应用场景? 第二,机器学习领域内是否存在已经被证明潜力巨大但由于某些因素尚未能实现的应用场景呢? 望相关大神能够解惑。 2017年6月5日 4 条回复 1471 次浏览 信息化,学习,数据,机器,计算机科学
回复 ( 4 )
如果是问机器学习,那可相当多可以说的了。机器学习的子分类深度学习稍微少了些,但也有很多场景已经应用了。我敢肯定的说,如果你上知乎,那你每天都肯定会碰到机器学习——在各个地方。
所以这也是为什么我一直以来都持这样的论调:所谓的「人工智能」元年都是炒作,如果机器学习(深度学习算是机器学习子分类)可以被称为广义上的人工智能的话,那么这个元年很久之前就来了。
在此推荐一本书:《The Master Algorithm》可以当作新年第一本书来读。他的序言部分就正好可以回答题主的问题,我来翻译一下(请大家支持正版,里面的英文难度不大):
另外翻译根据原文有所修改。
你可能不知道,但是机器学习早就已经环绕在你身边了。当你在搜索引擎搜索的时候,机器学习来帮助搜索引擎判断哪个结果更适合你(也在判断哪个广告更适合你)。
大部分垃圾邮件不会被你注意到,是因为他们早就被机器学习过滤掉了。你去亚马逊买书或者去迅雷视频看外文电影时,是机器学习在推荐书目并且帮你匹配字幕。
知乎用机器学习来决定哪个回答更适合排在前面(我不确定,希望知乎的朋友说下),微博也在你的时间线上做了同样的事情。可以说,你在用电脑的时候总是会在某处碰到机器学习。
传统来说让电脑去做什么事情的唯一方法就是去写下一个算法解释如何实现。但机器学习算法并不是这样,它们会自己找到答案。换句话说,在机器学习中,并不是我们给机器编程,而是机器自己给自己编程。
但不光在虚拟世界里,即使是在现实世界中从你起床开始一直到你睡觉,你都在接触着机器学习。
七点钟闹钟放了收歌来叫你起床,这首歌你昨天才第一次听但你很喜欢。网易云音乐通过学习你平时听歌的记录来推荐了这首个。
也许有可能这首歌就是在机器学习的帮助下制作的。你边吃早饭边看新闻,不用说,这些新闻也是通过机器学习来给你推荐的。
然后你开车去上班,你的车也在不断的调整油料的注入以便获得最佳的里程。如果你因为讨厌国内各个导航没完没了的语音而使用谷歌导航的话,你看到的路牌等细节信息也许就是通过机器学习和计算机视觉从实景中提取出来的。
广播里传出来路况,泛化智能的程序在根据无人机航拍的视频实时分类路况信息。
到了公司之后,设计给网页出了两版新首页。一个网络学习系统尝试了两个首页并且把结果都报告给你。你去全球最大的同性交友网站看 readme,用谷歌翻译翻译成法语(都上高中了,法语还不会?)。
去洗手间的时候你也忘不了工作,点开 Outlook App 来看邮件。微软已经帮你把重要邮件提前单独分类出来了。写文件的时候 Word 自动帮你检查了语法和拼写。
马上春节了,你要买机票,但 Bing 旅行告诉你根据预测票价马上还会降一些。
你可能还没注意到,但你每个小时都离不开机器学习。
即刻突然弹出来一个新闻,说市政府这一段要严打交通违章。很多人原本以为开快了车牌号就看不出来了,结果还是逃不开依图等公司的图像识别系统。你心中有个套牌梦,只可惜机器学习是你的天敌。
午饭时间到了,你走在街上想试试不一样的,大众点评的学习系统帮助你找了家饭店。正在吃饭,你的手机告诉你下午的会面估计要推迟了,因为对方的航班延误了。
晚上回家的时候,你去了趟超市。当然你可能也没注意过:超市的货架摆放都有学习算法来参与帮助。用信用卡付款,这张信用卡就是通过学习算法来判断是否通过你的申请许可的。
终于到了家,你发现竟然还有封手写的邮件。通过学习算法,机器识别出了上面的手写地址然后把邮件给你送了过来。这些邮件大多是垃圾,另外一个算法来判断这个邮件可以发给你。
你住的城市很安全,功劳之一就是海康威视商汤等公司的摄像头可以帮助警方更快速的发现问题。
这一天过去了,你看,你根本离不开机器学习。
我们就连提问打字的时候都离不开机器学习,然后却问了个问题:机器学习的成熟应用场景?
真正要问的问题应该是:哪个场景还没用上机器学习?
好了,那么如果现在有个人告诉你去年或者是今年将会是人工智能元年,机器学习将会爆发,你该怎么办?
当然是笑着告诉他,不了解不是问题,不了解还扯淡才是。
新的一年到来了,如果你真的想了解人工智能,那么可以先买一本我提到的书:
如果还想深入了解,可以先去学学统计和线性代数,然后去上个吴恩达或者吴立徳的公开课正儿八经的入门,而不是靠看那堆微信公号和什么思维的二手思维。
机器学习里面最典型的两大类问题:聚类和分类。前者是根据一群人的个子高矮将他们分成三组;后者是告诉你一些人的身高以及他们的国籍,再给你一些人的身高,让你判断出他们的国籍。
所以在我们的日常生活或者工业界中,只要是你能想到能对应上聚类和分类的问题,大多都是已经很成熟的应用场景了;如果对应不上或者相对来说复杂很多,就有可能是因为某些因素尚未完全实现。
昨天听公司一个小高层的谈话:google都在用机器学习,为什么我们不可以?借这股东风,应该不少企业都会跟风,至于做到什么地步,那就没法预测了。
核心思想是让看似无所不能的程序实现机械技术上的突破和大面积更低成本的运用
似乎国内和国外是在同一起跑线
我认为国内环境更好,但是团队能力并不强
而且相关技术不成熟但是不排除新技术的出现打破机械制造业的垄断
起点都是一样的就看团队能力和学习方向了
当然得有一个英语大神
我不信天才的存在,因为是时代的技术成就推出了天才,人人都在努力,但是光环只有一个