关于机器学习的 5 个未来预测

LinuxProbe

[url=]

                               
登录/注册后可看大图

[/url]
机器学习目前是 IT 领域最热门的话题之一，这是因为它在看似无限的应用场景中都能发挥自身的作用。从检测欺诈网站到自动驾驶汽车，再到识别你的“金牌会员”身份以进行价格预测等等。
但这个如此有吸引力的领域未来将如何发展？会走向何处？下一个最好的东西又将是什么？未来十年我们将处于什么样的位置？无论下一个巨大的改变是否会给我们所有人带来惊喜，本文将对机器学习将发挥作用的领域和用例做出五个预测。
1. 量子计算(Quantum Computing)
机器学习任务涉及到诸如在高维空间中对大量向量进行处理和分类的问题。我们目前用来解决这些问题的经典算法都需要耗费相当的时间。而量子计算机在处理巨大张量积(tensor product)空间中的高维向量时，可能会处理得更好。无论是有监督还是无监督的量子机器学习算法发展，都能比经典算法更快速地以指数方式增加向量数和维数，这将使得机器学习算法运行速度的大幅增加。
相关开源项目推荐：

OpenFermion — 谷歌与量子计算机创企 Rigetti 合作开发的开源量子软件
这是一个用于编译和分析量子算法来模拟费米子系统，包括量子化学，其他功能方面，当前版本的特征是用数据结构和工具获取和操纵费米子和量子位哈密顿算子的表示。
这款软件内包含了一个算法库，可以在量子计算机上模拟电子相互作用，非常适于化学、材料学方面的研究。 有关更多信息，请参阅论文连接。

2. 更好的无监督学习算法(Unsupervised Algorithms)
当给学习算法输入的数据没有赋予标签时，就可以认为是无监督学习，它自己会在输入的数据中找到结构。事实上，无监督学习本身就是一个目标，比如发现数据中隐藏的模式，或者实现目的的手段，通常也会把无监督学习称为特征学习。构建更智能的无监督学习算法的进步，将会带来更快、更准确的结果。
相关开源项目推荐：

CycleGAN — 生成对抗网络图像处理工具
生成对抗网络(GAN)可以实现能解决无监督学习问题的模型，GAN 的网络结构是具有颠覆性的，Yann LeCun 在一次关于这个研究的演讲中如此评论：「GAN 是机器学习过去的 20 年里最重要的思想之一。」
CycleGAN 这个项目与其它人工智能绘画不同，CycleGAN 的研究团队试图建立一个可双向转化不丢失信息的双向算法。研究团队必须以机器可以理解的方式去描述每种风格之间的关系，并给机器 “吃下” 大量来自 Flicker 的照片进行训练。

3. 协同学习(Collaborative Learning)
协同学习简单来说就是利用不同的计算实体，使它们共同协作，以产生比自己所取得的更好的学习成果。一个典型的例子就是利用物联网传感器网络的节点进行分析，或称为边缘分析。随着物联网的发展，将会有越来越多单独的实体被用来以多种方式进行协同学习。
4. 深度个性化推荐(Deeper Personalization)
个性化推荐既是伟大的，但它同样也会令用户感到厌烦。我们经常会收到一些没有什么价值的建议，而那些个性化推荐似乎与我们实际上可能感兴趣的任何东西没有任何实际的关系。但将来，凭着机器学习技术的发展，相信用户将会收到更精确的建议，推送的广告也变得更有效，准确性也更高。用户体验也将大大提升。
相关开源项目推荐：

Apache PredictionIO — 面向开发者和数据科学家的开源机器学习服务器
PredictionIO  不久前从 Apache 孵化项目中脱胎而出，宣布成为 Apache 顶级项目。
PredictionIO 是面向开发者和数据科学家的开源机器学习服务器。它支持事件采集、算法调度、评估，以及经由 REST APIs 的预测结果查询。使用者可以通过 PredictionIO 做一些预测，比如个性化推荐、发现内容等。PredictionIO 提供 20 个预设算法，开发者可以直接将它们运行于自己的数据上。几乎任何应用与 PredictionIO 集成都可以变得更“聪明”。其主要特点如下所示：

• 基于已有数据可预测用户行为
• 使用者可选择自己的机器学习算法
• 无需担心可扩展性，扩展性好
• 提供个性化视频、新闻、交易、广告或职位信息
• 帮助用户发现有趣的事、文件、App 和资源等
  

PredictionIO 基于 REST API（应用程序接口）标准，不过它还包含 Ruby、Python、Scala、Java 等编程语言的 SDK（软件开发工具包）。其开发语言是Scala语言，数据库方面使用的是MongoDB数据库，计算系统采用 Hadoop 系统架构。

5. 认知服务(Cognitive Service)
这项技术包括类似 API 和服务的工具包，开发者可以通过这些工具创建更多可发现而且是智能的应用程序。机器学习 API 将允许开发者引入智能功能，如情感检测分析；声音、面部和视觉识别；并将语言和声音理解融入其应用程序中。这个领域的未来将是为所有人推出深度个性化的计算体验。
简单来说，认知服务可向应用、网站和机器人注入智能算法，以自然的沟通方式来观察、倾听、谈话、了解和解释用户需求。
关于认知服务的一些假设：
当我们谈及人工智能时不可回避的一个问题是，人工智能究竟是天使还是魔鬼。而认知服务的主要任务是让机器理解人类世界，并能按照人类的思维方式或者超出普通人的思考能力去替代人类完成某些的判断或决策，以替代人类大脑。一旦人工智能拥有“思考能力”之后，人类很难预测她的行为究竟是善意的行为，还是恶意的陷阱。目前的认知服务是否开启了人工智能的潘多拉魔盒我们还未尝可知，未来的一切还有待我们来探索。
在机器学习的光明未来中，我们认为这些都是会发生的事情，不过同样的，引入一些新的未知的颠覆性技术将会使得我们永远无法预测未来。

本文转载自：http://www.linuxprobe.com/machine-learning-5.html

免费提供最新Linux技术教程书籍，为开源技术爱好者努力做得更多更好，开源站点：http://www.linuxprobe.com/

Rockyw

感谢楼主分享！

xiaoziwuyong

感谢楼主分享！

xiaoziwuyong