機器學習和人工智能
機器學習和人工智能的區別:“好的，谷歌!有什麼事嗎?你能演奏我最喜歡的曲目或者預訂一輛從宮殿路到MG路的出租車嗎?”
“亞歷克莎，幾點了?”“早上5點叫醒我。”“你能告訴我明天的會議嗎?”
這是機器學習和人工智能的完美結合。
機器學習
機器學習是一種自動建立分析模型的數據分析方法。這是一個利用算法從數據中學習並做出預測的領域。它也是人工智能的一種應用，它提供了系統從經驗中自動學習和改進的能力，而無需顯式編程。機器學習的重點是開發可以訪問數據並使用它自己學習的計算機程序。
實際上，這意味着我們可以將數據輸入到算法中，並用它來預測未來可能發生的事情。它是人工智能的一個分支，基於這樣的理念:系統可以從數據中學習，識別模式，並在最少的人爲干預下做出決策。
人工智能
人工智能(AI)是智能智能體的研究和設計，這些智能體具有分析環境和產生最大化成功的行動的能力。人工智能研究使用的工具和見解來自許多領域，包括計算機科學、心理學、哲學、神經科學、認知科學、語言學、運籌學、經濟學、控制理論、概率、優化和邏輯。人工智能是基於人類如何思考、學習、決定和工作來解決問題的研究，然後將研究結果作爲開發智能軟件和系統的基礎。
不同的機器學習技術
機器學習使用兩種技術。
- 監督式學習
- 無監督學習
監督學習:監督學習是指你有輸入變量(x)和輸出變量(Y)，你使用一種算法來學習從輸入到輸出的映射函數Y = f(x)。有監督的機器學習系統爲學習算法提供已知的數量，以支持未來的判斷。監督學習通常是在分類上下文中進行的，當我們想要將輸入映射到輸出標籤，或者當我們想要將輸入映射到連續輸出時進行迴歸。
1.分類:分類預測建模是將一個映射函數(f)從輸入變量(X)逼近到離散輸出變量(y)的任務。分類問題是當輸出變量是一個類別時，例如“紅色”或“藍色”或“疾病”和“沒有疾病”。分類模型試圖從觀測值中得出一些結論。
2.迴歸:迴歸預測建模是將一個映射函數(f)從輸入變量(X)逼近到連續輸出變量(y)的任務。迴歸問題是當輸出變量爲實值或連續值時，如“工資”或“重量”。
無監督學習:無監督學習是一種機器學習技術，用於查找數據中的模式。無監督學習是指只有輸入數據(X)而沒有相應的輸出變量。無監督學習的目標是對數據中的底層結構或分佈進行建模，以便更多地瞭解數據。無監督機器學習算法從數據集中推斷模式，而不參考已知或標記的結果。
聚類是最常見的無監督學習方法。羣集允許您根據相似度自動將數據集分割成組。它用於探索性數據分析，以發現數據中的隱藏模式或分組。
從事機器學習和人工智能的公司
亞馬遜:亞馬遜在實現機器學習方面走在了前面。亞馬遜在使用機器學習洞察力方面處於領先地位。亞馬遜正利用一貫可靠的客戶服務加強客戶的互動。在客戶服務中，他們使用機器學習來預測客戶問題，識別正確的工作流程來解決問題，在某些情況下還會發現服務的濫用。
Facebook: Facebook是一家美國在線社交媒體和社交網絡服務公司，總部位於加州門洛帕克。截至2017年6月，Facebook每月活躍用戶超過20億。
微軟:根據CB Insights的數據，在過去的五年裏，微軟實際上是第三大收購方。該公司確實涉足互聯網市場，特別是在幾年前以260億美元收購領英(LinkedIn)之後。微軟開發、製造、許可、支持和銷售計算機軟件、消費電子產品、個人電腦和服務。
谷歌:谷歌不侷限於搜索引擎。谷歌有很多用於人工智能和機器學習的東西。谷歌廣泛致力於機器學習和人工智能，爲工程技術帶來革命。
機器學習和人工智能全球場景
機器學習正迅速成爲具有前瞻性思維的組織的現實。國際數據公司(IDC)預計，今年全球人工智能系統的營收將增加近一倍，至125億美元，並將以類似的速度增長，直到2020年達到460億美元。機器學習是數字轉換的最新方法，使我們的計算過程更高效、更經濟、更可靠。
機器學習和人工智能被廣泛使用
自然語言處理(NLP)用於呼叫中心和自動呼叫機的語音識別。
虛擬助理:Siri, Alexa，谷歌，Crotona是一些流行的虛擬個人助理。
基於應用程序的出租車——在預訂出租車時，應用程序會估算車費和到達時間。
視頻監控系統——它由人工智能提供動力，使得在犯罪發生前就能發現犯罪。
社交媒體服務——它提供面部識別功能，你可能認識的人，類似的密碼。
電子郵件垃圾郵件和惡意軟件過濾你的收件箱。
在線客戶支持先進的聊天機器人。
購物體驗與產品推薦。
機器學習和人工智能的區別
