기계 학습 대용량 데이터의 초석이 되고있다

기계 학습은 거의 유비 쿼터 스, 그리고 경우에 우리가 그들을 호출 하지 않습니다, 그들은 종종 큰 데이터 응용 프로그램에 나타납니다. 나는 내 블로그에 몇 가지 일반적인 큰 데이터 사용 사례를 설명 하기 위해 사용. 즉, 이러한 응용 프로그램은 "극단적인 상황"에서 최상의 결과 제공할 수 있습니다. 끝에, 나는 또한 바이트 수준 데이터 용량, 실시간 데이터 속도, 다양 한 여러 구조적된 데이터의 조합을 언급.

나는 또한 의도적으로 수집 과정에서 "기계 학습 분석"을 피할 수 있는 응용 프로그램 목록을 나열. 주요 이유는 기계 학습 사용 하는 경우에는 일반적인 도구는, 비록 그것은 하지 사용 사례입니다. 다른 말로 하면, 그들은 그들의 자신의 힘에 의해 형성 된 특별 한 응용 프로그램 도메인 없습니다. 같은 이유로 같은 큰 데이터 사용 하는 경우 스키마 디자인 이나 메타 데이터 관리, 데이터 통합을 나열 하지 않습니다 난. 하지만 기계 학습, 처럼 그들은 대용량 데이터 분석 응용 프로그램의 가치에 그들의 기여를 만들었습니다.

큰 데이터 응용 프로그램의 투자 반환을 기계 학습의 기여는 주로 구현된에서 두 가지 측면: 하나 데이터 과학자의 생산성을 홍보 하는 것입니다, 다른 몇 가지 무시 구성표, 일부는 심지어 최고의 데이터 과학자에 의해 간과 되어 찾는 것입니다. 기계 학습의 핵심 기능에서 파생 하는 이러한 값: 인간의 개입 및 명시적 절차 없이 최신 데이터를 배울 수. 솔루션에는 일반적인 데이터 집합에 따라 모델을 만들고 다음 자동화 일반화 및이 예제와 알고리즘을 사용 하 여 새 데이터 원본의 학습 데이터 과학자 수 있습니다.

많은 경우에, 기계 학습 반환 큰 데이터 혁신을 위한 최고의 투자입니다. 기계 학습에 투자 기업에는 사용자 지정은 어떤 큰 데이터 경우를 심화 수 있습니다. 이 때문에 기계 학습 알고리즘 보다 효율적인 용량, 속도, 및 유형 (즉, 3 v의 특성 대형 데이터) 되 고 있다. 기계 학습에 대 한 최근 기사에 마크 밴 Rijmenam로: "더 많은 데이터를 처리, 더 나은 알고리즘이 있을 것입니다." 그는 믿고 기계 학습 등 많은 응용 프로그램, 음성 및 얼굴 인식, 클릭 스트림 처리, 검색 엔진 최적화, 추천 엔진, 의미-만들기 분석 이라고 할 수 있습니다.

암묵적인 분석 방법은 필요가 지속적으로 모니터 사용자 의미 방법, 내용 및 중요성 데이터 스트림에서 있다. 암묵 지식의 자동화를 지원 하기 위하여 기계 학습 알고리즘 처리 해야 합니다 몇 가지 매우 복잡 한 것 들 자주. 이 구성 개체에 숨겨진 의미 분류 또는 환경, 다양 한 다른 데이터 스트림을 통해 전체 의미의 실시간 수집 필요 포함 됩니다. 이러한 데이터 스트림 데이터, 비디오, 이미지, 음성, 식, 행동, 지리 정보, 및 브라우저 클릭 등의 요소를 포함 해야 합니다. 기계 학습을 통해 이러한 데이터 스트림에서 의미의 자동 추출 인지, 감정, 감각와 혼합 수 있습니다 하 고 특성을 것입니다.

이 자료에서 "깊은 학습" (깊은 학습) 단서를 찾기 위해 큰 데이터 과학자의 지시 체계를 학습 하는 기계에는 중요 한 도구가 되고있다. 반 Rijmenam 라고 깊은 학습 신경 네트워크를 사용 하 여 개체 간의 의미 관계에 대 한 계층적 준비를 포함할 수 있습니다 데이터의 이러한 흐름에서 추출 하는 지 각 기능을 도울 수 있다. "깊은 학습 데이터에서 서로 다른 특성을가지고 그들은 보거나 할 알아 내려고 기능의 다양 한 조합을 찾을 수 이러한 기능을 사용 하는 구성 요소 간의 격차를 끊을 수 있다." 밴 Rijmenam는 말했다.

명확 하 게, 기계 인식 하 고 동적 분산된 시나리오를 처리할 수 있는 환경을 만들기 위한 기본 도구 알아보기 감지 하 고 실시간 위협 및 테러리스트 활동, 자연 재해, 태풍 및 다른 위협에 대응 하는 인간의 능력 자동 검사, 분류 및 대량 데이터에 협회의 정보에 따라 달라 집니다. 이 기능이 없으면 인간은 큰 데이터 바다에 익사의 위험이 있다.

36 큰 데이터 기술 지도: 기계 학습에 대 한

기계 학습 (기계 학습, ML)는 종합은 학 제, 확율 이론, 통계, 근사 이론, 볼록 분석 및 알고리즘 복잡성 이론 등 분야의 번호를 포함. 어떻게 컴퓨터 시뮬레이션 또는 인간의 학습 동작을 구현 하는 새로운 지식이 나 기술을 습득 하 고 지속적으로 성능을 향상 시키기 위해 그들의 기존의 지식 구조를 다시 정렬 하려면 공부에 전문.

그것은 인공 지능의 핵심 이다, 컴퓨터는 지능, 인공 지능의 모든 분야에서 그 응용 프로그램의 기본 방법으로, 주로 사용 하 여 유도, 공제 보다는 합성.