機器學(xué)習(xí)幾乎無處不在，即便我們沒有專程調(diào)用它們，它們也經(jīng)常出現(xiàn)在大數(shù)據(jù)應(yīng)用之中。我曾經(jīng)在博客中描述了一些典型的大數(shù)據(jù)使用案例。換句話說，這些應(yīng)用都能夠在“極端情況下”提供***的結(jié)果。在結(jié)尾部分，我還提到了拍字節(jié)級數(shù)據(jù)容量、實時數(shù)據(jù)速度和/或多結(jié)構(gòu)數(shù)據(jù)多樣性的結(jié)合。

當(dāng)時我還列出了一個應(yīng)用列表，在收集過程中刻意避開了“機器學(xué)習(xí)分析”。主要原因是，盡管在這些使用案例中機器學(xué)習(xí)即便不是主要的，也是一個常用的工具，但是它們自身并不是一個使用案例。換句話說，它們不是一個憑借自身力量而形成的特殊應(yīng)用域。出于同樣的原因，我也沒有像大數(shù)據(jù)使用案例那樣列出模式設(shè)計、元數(shù)據(jù)管理或數(shù)據(jù)整合。但與機器學(xué)習(xí)一樣，它們也都為實現(xiàn)大數(shù)據(jù)分析應(yīng)用的價值做出了自己的貢獻。

機器學(xué)習(xí)對大數(shù)據(jù)應(yīng)用投資回報的貢獻主要體現(xiàn)在兩個方面：一是促進數(shù)據(jù)科學(xué)家們的多產(chǎn)性；二是發(fā)現(xiàn)一些被忽視的方案，有些方案甚至遭到了***的數(shù)據(jù)科學(xué)家們的忽視。這些價值來自于機器學(xué)習(xí)的核心功能：即讓分析算法無需人類干預(yù)和顯式程序即可對***數(shù)據(jù)進行學(xué)習(xí)。解決方案允許數(shù)據(jù)科學(xué)家們根據(jù)典型數(shù)據(jù)集創(chuàng)建一個模型，然后利用算法自動概括和學(xué)習(xí)這些范例和新的數(shù)據(jù)源。

許多情況下，機器學(xué)習(xí)是大數(shù)據(jù)創(chuàng)新的***投資回報。對機器學(xué)習(xí)的投資能夠深化任何對企業(yè)定制的大數(shù)據(jù)案例。這是因為機器學(xué)習(xí)算法在容量、速度和類型（即大數(shù)據(jù)的3個V特性）中正變得日益高效。正如Mark van Rijmenam在近期有關(guān)機器學(xué)習(xí)的文章中所說的那樣：“處理的數(shù)據(jù)越多，這種算法就越能體現(xiàn)出優(yōu)勢。”他認為，包括語音與面部識別、點擊流處理、搜索引擎優(yōu)化、推薦引擎在內(nèi)，許多機器學(xué)習(xí)應(yīng)用可能被描述為意會分析法（sense-making analytics）。

[[110793]]

意會分析法需要對從數(shù)據(jù)流中推斷出來的用戶語義方式、內(nèi)容和重要性進行持續(xù)監(jiān)控。為了支持意會的自動化，機器學(xué)習(xí)算法必須要經(jīng)常性地處理一些極為復(fù)雜的東西。這其中包括組成對象或環(huán)境中隱藏的語義分類，這需要通過多種不同的數(shù)據(jù)流實時收集整體含義。這些數(shù)據(jù)流必須包括不同的對象，例如數(shù)據(jù)、視頻、圖像、語音、表情、動作、地理信息和瀏覽器點擊等元素。通過機器學(xué)習(xí)從這些數(shù)據(jù)流中自動提取出來的含義，可能會混合有認知、情感、感覺和意志特征。

為了在這些素材當(dāng)中找到線索，“深入學(xué)習(xí)”（deep learning）成為了大數(shù)據(jù)科學(xué)家的機器學(xué)習(xí)指令系統(tǒng)中的一個重要工具。正如van Rijmenam所說的那樣，利用神經(jīng)網(wǎng)絡(luò)開展的深入學(xué)習(xí)有助于從這些數(shù)據(jù)流中提取感知能力，因為這些數(shù)據(jù)流可能涉及組成對象之間語義關(guān)系的層次結(jié)構(gòu)安排。“深入學(xué)習(xí)能夠打破數(shù)據(jù)中具有不同特點的組成成分之間的隔閡，利用這些特點從中找出不同的特征組合，從而搞清楚它們看到了什么或者是正在做什么。”van Rijmenam說。

顯然，對于創(chuàng)建能夠感知和處理動態(tài)分布式方案的環(huán)境來說，機器學(xué)習(xí)一個基礎(chǔ)性工具。人類對實時威脅和恐怖主義活動、自然災(zāi)難、颶風(fēng)等其他威脅的偵測與應(yīng)對能力，取決于對海量數(shù)據(jù)中的信息進行自動篩選、分類和關(guān)聯(lián)。如果沒有這種能力，那么人類就有被“淹死”在大數(shù)據(jù)海洋之中的危險。

36大數(shù)據(jù)知識圖譜：關(guān)于機器學(xué)習(xí)

機器學(xué)習(xí)(Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

它是人工智能的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及人工智能的各個領(lǐng)域，它主要使用歸納、綜合而不是演繹。