导读：本文讨论与人工智能相关的观点和技术，包罗机械学习、深度学习、数据科学和大数据。还将讨论人类和机械如何学习，及其与人工智能当前和未来状态之间的关系。最后先容数据如何推感人工智能，以及人工智能乐成所需数据的特点。

作者：Alex Castrounis泉源：华章科技01 什么是数据科学？数据科学是做什么的？首先从数据科学领域的讨论开始。让我们从界说数据科学以及数据科学家的角色和责任开始讨论，这两个角色形貌了人工智能和机械学习的领域和执行其计划所需要的技术（请注意，许多专业角色越来越普遍，如机械学习工程师）。只管数据科学家通常有许多差别的教育配景和事情履历，但大多数人应该在四个基本事域（理想情况下是专家）都很强，我称之为数据科学专业知识的四大支柱。

数据科学家应该具备下述这些领域（没有特此外顺序）的专业知识：商业或相关的商业领域数学（包罗统计和概率）盘算机科学（包罗软件编程）书面和口头交流还很是需要其他的一些技术和专业知识，但在我看来，主要是上述四项。实际上，人们通常在四个支柱中的一个或两个方面很强大，但很少在四个方面都强大。如果碰巧遇到一个在四个方面都很强大的数据科学家，那么他是真正的专家，您就发现了一个常被称为独角兽的人。

在四个支柱中都拥有相当水平专业知识和能力的人很难找到的，严重缺乏。因此，许多公司已经开始围绕数据科学的特定支柱设置专门的角色，当把这些人荟萃在一起时，就相当于拥有了数据科学家。

例如组建一个三人团队，其中一小我私家有MBA配景，一个是统计学家，另一个是机械学习或软件工程师，固然团队还可以包罗数据工程师。这个团队就可以同时执行多个任务，每小我私家在任何给定时间都专注于计划的某个方面。

基于这些支柱，数据科学家应该能够使用现有数据源，凭据需要建立新数据源，以提取有意义的信息、发生深入可操作的洞见、支持数据驱动的决议、以及构建人工智能解决方案。这需要业务领域的专业知识、有效的相同和效果解读，以及使用所有相关的统计技术、编程语言、软件包、库和数据基础设施。

简而言之，这就是数据科学所要做的事情。02 机械学习的界说及其关键特点 机械学习经常被认为是人工智能的子集。

我们先讨论机械学习。记着我们对人工智能的简朴界说，即机械展示的智能。这基本上形貌了机械从信息中学习并应用所学知识做事以及继续从履历中学习的能力。

在许多人工智能应用中，机械学习是人工智能应用历程中用于学习的一组技术。一些详细技术可以被视为人工智能和机械学习的子集，通常包罗神经网络和深度学习，如图4-1所示：▲图4-1 人工智能，机械学习，神经网络和深度学习之间的关系我很是喜欢这个简练的机械学习界说，这是我在谷歌设计博客文章中读到的：“机械学习是一门凭据模式和关系举行预测的科学，这些模式和关系是从数据中自动发现的。”我对机械学习通常的非技术界说是：机械学习是不需要显性编程，从数据中自动学习的历程，而且具有凭据履历扩展知识的能力。

机械学习与基于规则技术的关键区别在于不需要显性编程，特别是在特定领域、行业和业务功效方面。诸如深度学习之类的高级技术可能基础不需要领域的专门知识，而在其他情况下，领域的专门知识是以选择或设计训练模型特征的形式提供的（在非机械学习应用法式中，称为变量、数据字段或数据属性）。在这两种情况下，不需要显性编程绝对关键，而且实际上是机械学习要明白的最为重要的方面。

让我们通过下面的案例来解释。在机械学习出道之前，假设您是卖力建立预测模型的法式员，该模型能够预测某类贷款的申请人是否会拖欠，因此决议是否应该批准该笔贷款。

为此您可能编写一个很长的专门针对金融行业的软件法式，输入小我私家的FICO分数、信用记载和贷款申请类型等信息。代码包罗许多很是明确的编程语句（例如条件语句和循环语句）。伪代码看上去（用普通英语编写的代码）可能像下面这样：IfthepersonsFICOscoreisabove800,thentheywilllikelynotdefaultandshouldbeapprovedElseifthepersonsFICOscoreisbetween700and800Ifthepersonhasneverdefaultedonanyloan,theywilllikelynotdefaultandshouldbeapprovedElsethewilllikelydefaultandshouldnotbeapprovedElseifthepersonsFICOscoreislessthan700...这是一个很是显性的编程（基于规则预测的模型）案例，它包罗以代码形式表达的贷款行业特定领域的专业知识。该法式属于硬编码，只能做一件事。

它需要领域及行业的专业知识来确定规则（场景）。该法式很是死板，纷歧定代表所有可能导致潜在贷款违约的因素。对于贷款行业泛起的种种新变化，还必须通过手动输入来更新法式。

看得出来这种方式不是特别有效或最优，也不会发生可能的最佳预测模型。另一方面，机械学习使用正确的数据却可以做到这一点，而且无需任何显性编程，特别是包罗贷款行业专业知识的代码。这里对机械学习做出了有些过于简朴的解释，机械学习能够在不知道相关数据或领域的情况下以数据集作为输入，经由同样不知道相关数据或领域的机械学习算法处置惩罚生成预测模型，该模型拥有专业知识并相识如何将输入映射到输出，使最准确的预测成为可能。如果能明白这一点，或许就在高条理上明白了机械学习的目的。

值得一提的是，虽然机械学习算法自己能够在不需要显性编程的情况下学习，可是在构想、构建和测试基于机械学习的人工智能解决方案的整个历程中，仍然很是需要人的到场。03 机械学习的方式机械通过种种差别的技术从数据中学习，其中最主要的包罗有监视、无监视、半监视、强化和转移学习。用于训练和优化机械学习模型的数据通常被分为有标签和无标签两类，如图4-2所示。▲图4-2 有标签与无标签数据有标签数据有目的变量或值，对于给定的特征值组合（也称为变量、属性、字段），可以对目的变量或值举行预测。

预测建模（机械学习的应用）在有标签数据集上训练模型，然后预测新特征值组合的目的值。因为数据集中存在目的数据所以称为有标签数据。另一方面，无标签数据也有特征值，但没有特定的目的数据或标签。

这使得无标签数据特别适合于分组（即聚类和支解）及异常检测。值得注意的是，很不幸，可能很难获得足够数量的有标签数据，而且发生这些数据可能会花费大量的款项和时间。可以把标签自动添加到数据记载中，也可能需要人工添加（数据记载也称为样本，可以想象为电子表格中的一行）。

有监视学习是指使用有标签数据的机械学习，而无监视学习使用无标签数据。半监视学习使用有标签和无标签的混淆数据。让我们从高条理简要讨论差别的学习类型。

有监视学习有许多潜在的应用，如预测、个性化推荐系统和模式识别。有监视学习又被进一步细分为回归和分类两类应用。

这两种方法都被用来做预测。回归主要用于预测单个离散或实数值，而分类则用于将一个或多个类分配给某组输入数据（例如电子邮件中的垃圾或非垃圾邮件）。

无监视学习最常见的应用是聚类和异常检测，一般来说，无监视学习主要聚焦在模式识别。其他应用包罗主成份分析（PCA）和奇异值剖析（SVD）的降维（淘汰数据变量的数量，简化模型的庞大性）。只管基础数据无标签，可是当标签、特征或设置通过无监视学习历程自己以外的历程应用于集群（分组）发现时，无监视学习技术就可以应用到有用的预测中。

无监视学习的挑战之一是没有特别好的方法来确定无监视学习生成模型的性能。输出全凭您对它的明白，没有正确或错误。这是因为数据中没有标签或目的变量，因此没有可用于比力模型效果的数据。

只管存在这种局限性，无监视学习仍然很是强大，而且有许多实际应用。当无标签数据很富厚，而有标签数据不多时，半监视学习可以是一种很是有用的方法。

在涉及有标签和无标签数据的机械学习任务中，该历程接受数据输入并将其映射到某种类型的输出。大多数机械学习模型的输出很是简朴，要么是一个数字（一连的或离散的，例如3.1415），要么是一个或多个种别（即类；例如“垃圾邮件”，“热狗”），要么是概率（例如35%的可能性）。在更高级的人工智能案例中，输出可能是结构化的预测（即一组预测值而非单个值），预测的一系列字符和单词（例如短语、句子），或最近芝加哥小熊队角逐的人工生成简要报道（加油小熊！）04 人工智能的界说和观点 前面给出了人工智能的简朴界说，即机械展示的智能，其中包罗机械学习和诸如深度学习之类的特定技术子集。在进一步明确人工智能的界说之前，我们先界说普通智能的观点。

智能的界说是：学习、明白和应用所学的知识来实现一个或多个目的。因此，智能基本上是使用所学知识实现目的和执行任务的历程（对人类来说，例子包罗决议、攀谈和做事）。现在已经界说了普通智能，很容易看出人工智能只是机械展示的智能。

更详细地说，人工智能形貌的是：当一台机械能够从信息（数据）中学习，发生某种水平的明白，然后使用所学知识去做一些事情。人工智能领域涉及并从一些科学中吸取履历，包罗神经科学、心理学、哲学、数学、统计学、盘算机科学、盘算机法式设计等。

因为人工智能的基础及其与认知关系，它有时也被称为机械智能或认知盘算；也就是说与形成知识和明白有关的心理历程。更详细地说，认知和更广泛的认知科学领域是用来形貌大脑的历程、功效和其他机制的术语，这些机制使收集、处置惩罚、存储和使用信息生成智能和驱动行为成为可能。

认知历程包罗注意力、知觉、影象、推理、明白、思考、语言、影象等等。其他相关的、更深条理的哲学观点包罗思想、感受、感受和意识。

那么是什么气力推动智能呢？对于人工智能应用，谜底是以数据形式提供的信息。对于人类和动物来说，通过五官从履历和周围情况中不停收集新信息。

然后把这些信息通报给大脑的认知历程和功效。令人惊讶的是，人类还可以通过运用已有的信息和知识来明白和形成有关其他事物的知识，以及形成人们对新话题的想法和看法，例如，从大脑中学习已有的信息和知识。

有几多次思考过一些已司理解了的信息，然后一个“啊哈！”导致对其他事物有了全新明白的时刻？履历因素也严重影响人工智能。人工智能是通过使用给定任务的相关数据举行训练和优化历程实现的。随着新数据的泛起，人工智能应用可以不停地更新和革新，这是人工智能从履历中学习的一面。

能够不停地重新数据中学习很重要，其原因许多。首先，世界及人类在不停地变化。

新技术潮来潮往，创新不停泛起，旧工业被颠覆。例如今天网上购物的数据可能与您明天或几年后的完全差别。汽车制造商可能会开始问，什么因素对购置航行车辆的孝敬最大，或许不是现在正在日益普及和广泛使用的电动汽车。

最终，数据和从中训练出来的模型会过时，该现象被称为模型漂移。因此，通过不停学习新数据继续获得履历和知识，更新任何人工智能应用至关重要。

05 数据推感人工智能人工智能、机械学习、大数据、物联网和任何其他形式的分析驱动的解决方案都有一个配合点：数据。事实上，数据为数字技术的各个方面提供了动力。1. 大数据世界从未像今天这样收集或存储过如此之多的数据。

此外，数据的多样性、容量和生成速率正在以惊人的速度增长。大数据领域是关于如何高效地从那些庞大、多样和快速移动的数据集中，有效地获取、集成、准备和分析信息。

可是，由于硬件及盘算条件的限制，从数据集中处置惩罚和提取数值可能不具备可行性或不行实现。为了应对这些挑战，需要创新硬件工具、软件工具和分析技术。大数据是用来形貌数据集、相关技术和订制工具组合的术语。

此外，如果没有某种形式的陪同性分析（除非数据是钱币化的），任何类型的数据基本上都没有用途。除了前面给出的形貌之外，人们还用大数据来形貌在很是大的数据集上举行的分析，这可能包罗诸如人工智能和机械学习之类的先进分析技术。可以把数据从高条理分为结构化、非结构化和半结构化三类，如图4-4所示。▲图4-4 数据类型2. 特定的数据源有许多特定类型的数据源，任何大型公司都有许多数据源在同时使用。

某些类型的数据可以用于自动化和优化面向客户的产物和服务，而其他类型的数据更适合于优化内部应用。以下是一份可能的数据源清单，我们将逐一讨论：客户销售和营销运营运动和生意业务物联网非结构化第三方公共大多数公司都在使用客户关系治理工具（客户关系治理系统）。这些工具用来治理现有和潜在的客户、供应商和服务提供商之间的互动关系。

此外，许多客户关系治理系统工具可以接纳当地部署或集成的方式来治理多种渠道的客户营销、通信、目的定位和个性化。因此，客户关系治理系统工具对于以客户为中心的人工智能应用来说是很是重要的数据源。

只管许多公司使用客户关系治理系统工具作为其主要的客户数据库，但客户数据平台（CDP）工具（如Agilone），通过整合客户行为、到场度和销售方面的数据源，建立单一、统一的客户数据库。类似于数据堆栈，客户数据平台（CDP）工具旨在供非技术人员使用，用于推动高效分析、洞见收集和目的营销。销售数据纵然不是公司最重要的数据，也应该是比力重要的数据。典型的数据源包罗那些有实体营业网点的销售点数据、在线购物应用的电子商务数据以及服务销售的应收账款数据。

许多实体公司也在网上销售产物，因此能够同时使用这两种数据源。市场营销部门通过多个渠道向客户转达和提供报价，并生成相应的基于特定渠道的数据。常见的营销数据源包罗电子邮件、社交、付费搜索、法式广告、数字媒体到场（如博客、白皮书、网络研讨会、信息图表）和移动应用通知推送。运营数据以业务功效和流程为中心。

示例包罗与客户服务、供应链、库存、订购、IT（如网络、日志、服务器）、制造、物流和会计相关的数据。运营数据通常最适适用于深入相识公司的内部运营，革新甚至自动化流程，以实现诸如提高运营效率和降低运营成本等目的。像软件即服务（SaaS）和移动应用这些主要围绕数字产物的公司，通常会生成和收集大量基于事件和事务的数据。值得注意的是，只管单个销售的数据可以被认为属于生意业务性质，但并非所有销售数据都与生意业务有关。

事件和事务数据可以包罗银行转账、提交应用、放弃在线购物车、用户交互和到场数据（如点击数流）以及由谷歌分析等应用收集的数据。研究讲明，随着物联网革命的全面展开，2025年将通过全球凌驾750亿台毗连设备缔造高达11万亿美元的经济价值。毋庸讳言，毗连的设备和传感器所发生的数据量越来越大。

这些数据对人工智能应用很是有价值。公司还拥有大量很是有价值的非结构化数据，这些数据通常多数未被使用。前面讨论过的非结构化数据可以包罗图像、视频、音频和文本。

源于产物或服务的客户评论、反馈和观察效果等文本数据对于自然语言处置惩罚应用特别有用。最后，公司通常会使用多个第三方的软件工具，这些工具可能没有在本节中提到。许多软件工具允许数据与其他工具集成，也可以导出以便于分析和转移。

在许多情况下，可以购置第三方的数据。最后，随着互联网的爆炸式增长和开放源码运动的开展，还可以使用大量免费、可用和很是有价值的公然数据。关于作者：Alex Castrounis，InnoArchiTech的前CEO和首席照料，也是业务、分析以及产物治理专家，Alex有近20年的创新履历，曾向数以千计的人教学数据科学和高级分析的价值。本文摘编自《AI战略：更好的人类体验与企业乐成框架》，经出书方授权公布。

延伸阅读《AI战略》推荐语：本书将探索人工智能项目的风险、关键性思量因素、利弊权衡和在推动历程中可能遇到的问题。你将学会如何通过乐成的人工智能解决方案和以人为中心的产物来建立更好的人类体验并助力企业乐成。

本文来源：开云体育app官方版下载-www.13957708815.com