机器学习已不是新兴的技术，就算你不会像开发人员一样使用它，作为消费者，你可能对它很熟悉。 当你把物品加入亚马逊购物车时， 亚马逊会根据你的喜好推荐其他产品 - 这就是机器学习的范例。从本质上来说，机器学习是一种可以根据数据进行学习和制订规则的计算机程序。
开发机器学习应用和开发其他标准应用不同。 机器学习开发人员不会为了解决特定问题编写代码，他们创建算法，收集数据，然后根据数据构建自己的逻辑。 亚马逊对客户行为和销售数据进行分析，决定他们最可能感兴趣的产品。和营销人员推荐的搭配销售的产品不同，客户的购物车和推荐的特定产品数量的比例不是 1:1。亚马逊分析了所有访问和销售数据，预测消费行为，推荐符合消费者需求的产品。 随着新产品和数据的持续输入，系统会对推荐的产品不断调整和改进。
你现在为什么应该关注机器学习？ 随着物联网和互联设备的不断发展，我们现在能访问更多的数据，因此也更需要管理和了解这些数据。
而且，许多行业开始应用机器学习技术，开发人员有很多机会学习机器学习的原理，学习如何给产品带来价值。
机器学习算法的类型
监督式
训练数据包含有标输入和已知成果，机器不断学习直到能够独立使用标签。 比如，创建脸部识别算法，你需要提供风景、人物、动物和建筑等图像，附上各自的标签，直到机器在无标签的图像中能够准确识别脸部。
无监督式
机器分析无标签数据，根据得出的相似性对数据分类。 所以，你可以提供和上述示例相同的图像，但是不加标签。 机器会根据共同特点对图像分类（比如，城市风景的明晰轮廓对比脸部的圆形轮廓），但它不能把圆形等同于“脸部”。 这些程序能够在数据集中识别分组，而人眼几乎无法识别。
半监督式
监督式和无监督式的组合，只有部分数据无标签的情况下使用。 无监督式学习技术可用于无标签数据的分组和集群，监督式学习技术可用于预测标签。
强化学习
使用简单的奖励数据训练机器，使机器在特定环境下达到理想状态。
比手动速度快
机器学习的最大优势是工作效率大幅提高。 机器学习无法解决人类解决不了的问题，但是它可以接收大量数据，基于数据迅速建立连接，做出预测。 通过物联网和互联设备，人类生成越来越多的数据，机器学习的功能愈发重要。 头脑中搜寻一个在生活中生成数据的物品，如智能插座、计步器，然后计算一下每天它生成多少数据。 再乘以拥有它的人数。 我们越是彼此连接，会产生越多的信息。机器学习使我们发现重要模式和见解，速度非人力可及。
目标市场
接触数据的任何行业，不管是试图预测修复服务的制造工厂，还是无人驾驶汽车制造商，加深对数据的了解有助于获得更出色的优势。 以下是使用机器学习的部分行业：
大家好，我是 Chatbot： 当前趋势
今年，Facebook Messenger 启动聊天机器人，帮助公司和客户通过机器人技术进行互动。 从本质上讲，这意味着客户访问你的 Facebook 页面时，他们可以点击 Message，如同发送直接信息，能立刻与人工智能互动，人工智能可以帮助客户获取产品的信息，做出更明智的选择。 聊天机器人会随着每次互动不断改进。 某些特定交易可以直接完成，比如，点击 Messenger 中的汽车图标，向优步请求用车服务。
这些聊天机器人不仅会发送文本，还会发送图像和行动号召按钮。他们提供自动化客户服务，电子商务协助，甚至是具体的内容。 随着准确性的不断提高，聊天机器人越来越像自动化个人助手，帮助客户简单快速地获取信息和服务。 随着移动讯息应用的普及和人工智能功能的完善，“会话型商务”成为发展趋势，未来的购物在聊天窗口就能完成。
机器学习入门的一些资源
快速掌握机器学习的方法之一是寻找你所在领域的小组。 网上也有许多资源。 以下链接可以帮助您快速入手。
机器学习术语表
包含机器学习，统计学和数据挖掘的常用术语。
Facebook 数据挖掘、机器学习、人工智能团小组
对数据挖掘、机器学习、人机交互和人工智能的不同领域感兴趣的人可以加入公共组。
Facebook 机器人小组
封闭小组，大约 10,000 名成员。 申请后才能加入小组，可以探讨您在聊天机器人领域的研究问题。
LinkedIn 模式识别、数据挖掘、机器智能和机器学习小组
封闭小组，只有不到 30,000 名成员，对想要学习模式识别、数据挖掘、机器智能和机器学习的人开放。
LinkedIn 机器学习和数据科学小组
封闭小组，40,000 名成员，专注于最新的数据科学和机器学习成果。 包括基于论坛的技术支持和行业工作机会。
LinkedIn 机器学习社交小组
封闭小组，超过 20,000 名成员，面向想要了解下一代机器学习的人士。
Reddit 机器学习
主动消息板，涵盖机器学习的方方面面，如新闻、研究论文、视频、讲座、软件和讨论。
Quora 机器学习
Quora 社区的专业人员解答来自初学者和经验丰富的机器学习开发人员的疑问。
机器学习由来已久且体系庞大，有许多需要思考的地方。 我们对机器学习非常感兴趣，欢迎浏览本站，继续探索相关内容。