廣州獵頭公司機器學習趨勢與前景，機器學習是一門關注兩個相互關聯(lián)問題的學科:如何構建能夠通過經驗自動改進的計算機系統(tǒng)?以及支配所有學習系統(tǒng)(包括計算機、人類和組織)?機器學習的研究對于解決這些基本的科學和工程問題以及它在許多應用中產生和部署的高度實用的計算機軟件都很重要。

在過去的20年里，機器學習取得了巨大的進步，從實驗室的好奇心到廣泛商業(yè)使用的實用技術。在人工智能(AI)中，機器學習已成為開發(fā)用于計算機視覺、語音識別、自然語言處理、機器人控制和其他應用的實用軟件的首選方法。許多Al系統(tǒng)的開發(fā)人員現(xiàn)在認識到，對于許多應用程序，通過向系統(tǒng)展示所需輸入輸出行為的示例來訓練系統(tǒng)比通過預測所有可能輸入的所需響應來手動編程要容易得多。機器學習的影響也廣泛應用于計算機科學和一系列與數(shù)據(jù)密集型問題相關的行業(yè)，例如消費者服務、復雜系統(tǒng)中的故障診斷和物流鏈控制。從生物學到宇宙學再到社會科學，隨著機器學習方法被開發(fā)出來以新穎的方式分析高通量實驗數(shù)據(jù)，經驗科學也產生了類似的廣泛影響。

學習問題可以定義為在執(zhí)行某項任務時，通過某種類型的訓練經驗來提高某種性能度量的問題。例如，在學習檢測信用卡欺詐時，任務是為任何給定的信用卡交易分配“欺詐”或“非欺詐”標簽。要改進的性能指標可能是該欺詐分類器的準確性，而訓練經驗可能包括一系列歷史信用卡交易，每一次回想起來都標記為欺詐與否?；蛘撸梢远x不同的性能指標，當“欺詐”被標記為“非欺詐”時比“非欺詐”被錯誤地標記為“欺詐”時分配更高的懲罰。還可以定義不同類型的訓練經驗一例如，通過包括未標記的信用卡交易以及標記的示例。

已經開發(fā)了多種機器學習算法，以涵蓋不同機器學習問題中展示的各種數(shù)據(jù)和問題類型。從概念上講，機器學習算法可以被視為在訓練經驗的指導下搜索大量候選程序，以找到優(yōu)化性能指標的程序。機器學算法差異很大，部分原因在于它們的方式代表候選程序(例如，決策樹、數(shù)學函數(shù)和通用編程語言)，部分是通過它們搜索這個程序空間的方式(例如，具有易于理解的收斂保證和進化搜索方法的優(yōu)化算法)評估連續(xù)幾代隨機變異的程序)。許多算法專注于函數(shù)逼近問題，其中任務體現(xiàn)在一個函數(shù)中(例如，給定一個輸入交易，輸出一個“欺詐”或“非欺詐”標簽)，學習問題是改進該函數(shù)的準確性，經驗包括該函數(shù)的已知輸入-輸出對樣本。

無論學習算法如何，一個關鍵的科學和實踐目標是從理論上描述特定學習算法的能力和任何給定學習問題的固有難度:算法從特定類型和數(shù)量的訓練數(shù)據(jù)中學習的準確度如何?算法對其建模假設中的錯誤或訓練數(shù)據(jù)中的錯誤的魯棒性如何?給定訓練數(shù)據(jù)量的學習問題，是否有可能設計一個成功的算法，或者這個學習問題從根本上是難以解決的?機器學習算法和問題的這種理論特征通常利用統(tǒng)計決策理論和計算復雜性理論的熟悉框架。事實上，從理論上表征機器學習算法的嘗試導致了統(tǒng)計和計算理論的混合，其中目標是同時表征樣本復雜性(需要多少數(shù)據(jù)才能準確學習)和計算復雜性(需要多少計算)并指定這些如何依賴于學習算法的特征，例如它用于學習的表示。近年來被證明特別有用的一種特定形式的計算分析是優(yōu)化理論，優(yōu)化過程收斂率的上限和下限與機器學習問題的公式化很好地融合在一起，作為性能的優(yōu)化公制。

作為一個研究領域，機器學習處于計算機科學、統(tǒng)計學和各種其他學科的十字路口，這些學科與隨著時間的推移自動改進以及不確定性下的推理和決策有關。相關學科包括人類學習的心理學研究、進化研究、話應性控制理論、教育實踐研究、神經科學、組織行為學和經濟學。盡管過去十年與這些其他領域的交流有所增加，我們才剛剛開始挖掘潛在的協(xié)同作用以及跨這些多個領域使用的形式主義和實驗方法的多樣性，以研究隨著經驗而改進的系統(tǒng)。