關于機器學習最簡單的定義來自于 Berkeley
所表述的:機器學習是AI的一個分支，它探索了讓計算機根據經驗提高效率的方法。
為了更深刻的了解這一定義，接下來我們将對其進行拆分分析。
AI 的分支： 人工智能是一種能夠使得計算機及其系統能夠成功完成通常需要人類智能行為才能完成的任務的研究和開發。機器學習是訓練計算機完成上述任務的技術和過程，是其必不可少的一部分。 探索方法： 現階段機器學習技術仍在不停地湧現 ， 雖然一些用于訓練計算機的模型已經被識别和使用，但由于不同的業務問題需要不同的模型，在訓練計算機時也可以使用不同的模型，随着時間的推移将會開發出更多模型。 幫助計算機以提高其性能： 大多數情況下，要讓計算機完成人工智能的任務，它需要借助于人工幫助去練習和适應。 以經驗為基礎： 提供具有經驗的AI的另一種說法—為其提供資料。随着更多資料被輸入系統，計算機可以更準确地對它以及将遇到的未來資料做出響應。
是指記錄和分析曆史資料增強商業智能。向管理者提供描述性資訊，并更好地了解過去行動和決策的結果和後果。這個過程現在已成為全球大多數大型企業的正常工作。
應用機器學習的第二階段是預測。收集資料并使用它來預測特定結果可以提高反應性，使其更高效地做出決策。
最後一個規範性階段是最先進的機器學習階段，該階段已被應用與企業活動中，并且在新興企業的推動下不斷向前發展。在針對有效和高效的業務實踐時了解原因、動機和背景是最佳決策的先決條件，而隻預測行為或結果是不夠的。具體地說，當人和機器結合起來時，這個階段是可能的。機器學習用于找到有意義的關系并預測結果，而資料專家則充當翻譯者，以了解關系存在的原因。這樣，就可以更精确地作出決策。
此外，除了預測性洞察之外，感興趣的朋友還可以了解一下另一個機器學習應用程式：流程自動化。
這裡是關于這兩個概念的介紹和對比。
以下是機器學習可以解決的問題的一些示例。
物流和生産： l Rethink Robotics 使用機器學習來訓練機器人手臂并提高生産速度； Jaybridge Robotics可實作工業級車輛自動化，以實作更高效的營運；
lÂ
Nanotronics自動化光學顯微鏡以改進檢查；
l
Netflix 和 Amazon根據使用者需求優化資源配置設定；
l 其他例子包括：預測ERP/ERM需要；預測資産故障和維護，提高品質保證，提高生産線性能。
銷售和營銷： 6sense 預測哪種鉛更容易被買，哪個時間更容易被買入； Salesforce Einstein 幫助預測銷售機會并自動完成任務； Fusemachines 通過AI助手自動完成銷售任務； AirPR 提供了提高公關績效的洞察力； Retention Science建議跨管道行動以推動參與；
l 其他示例包括：預測客戶的生命周期價值，提高客戶細分準确度，檢測客戶購物模式以及優化使用者的應用内體驗。
人力資源： Entelo 幫助招聘人員識别和鑒定候選人； hiQ 協助管理人員進行人才管理。 金融： Cerebellum Capital Sentient 利用機器學習驅動的軟體增強投資管理決策； Dataminr可以通過提供有關社交趨勢和突發新聞的早期警報來協助實時财務決策；
l 其他例子包括：檢測欺詐行為和預測股票價格。
衛生保健： Atomwise 使用預測模型來減少藥物生産時間； Deep6 Analytics确定符合條件的患者進行臨床試驗；
l 其他例子包括：更準确地診斷疾病，改善個性化護理和評估健康風險。
你可以在
Sam DeBrule 彙集的精彩 清單中 找到更多機器學習和人工智能以及其他相關資源的 示例 。 數十款阿裡雲産品限時折扣中，趕緊點選領券開始雲上實踐吧！ 本文由北郵 @愛可可-愛生活 老師推薦， 阿裡雲雲栖社群 組織翻譯。 文章原标題《 Understanding
Machine Learning
》
作者： Charles A.R
譯者：烏拉烏拉，審校：袁虎。
文章為簡譯，更為詳細的内容，請檢視
原文文章