在过去的几个月中，我与很多的决策者交流了有关人工智能特别是机器学习方面的问题。其中有几名高管已经被投资者询问了有关他们在机器学习(machine learning)方面的战略，以及在哪些方面运用了机器学习。那么这个技术课题为什么突然会成为公司董事会讨论的话题呢?

计算机应该为人类解决问题。传统的方法是“编写”所需的程序，换句话说，就是我们教电脑问题解决的算法。该算法详细描述了解决问题的过程，就像食谱一样。很多任务都可以用算法来描述。例如，在小学里，我们学习了数字加法算法。当涉及到要快速、完美地运行这种算法时，计算机比人类更胜任这个工作。

然而，这个问题解决的过程是有局限性的。我们如何识别一张猫的照片呢?这个看起来很简单的任务却难以用一种算法来描述。让我们稍等片刻，仔细想想。即使是简单的说明(如“有四条腿”或“有两只眼睛”)也有其缺点，因为这些特点可能会被隐藏，或照片可能只显示了猫的一部分。如果我们遇到识别腿或眼睛的任务时，那与识别猫一样的困难。

这正是机器学习展现其实力的地方。计算机不需要开发算法来解决问题，而是使用示例来学习算法本身。我们用样本来训练计算机。对于识别猫这个例子，我们需要使用大量的标注了猫的照片来训练系统(监督学习)。通过这种方式，算法会发生进化，继而成熟，并最终能够识别出陌生图片上的猫。

事实上，在这种情况下，计算机通常不会学习经典程序，甚至都不会学习模型中的参数，例如网络中的边缘权重。这个原理可以与我们大脑(包含了神经元)的学习过程相比较。像大脑一样，与传统程序不同，这种具有边缘权重的网络几乎不可能被人类所理解。

在这种情况下，被称为深度学习的人工神经网络学习方法得到了巨大的成功。深度学习是一种特殊的机器学习，反过来又是人工智能的一门学科，是计算机科学研究的主要分支。早在2012年，谷歌研究小组成功地训练了一个拥有16000台计算机，并从1000万段youtube视频中识别猫(和其他对象类别)的网络。他们采用的就是深度学习技术。

许多与练习有关的问题更倾向于属于“识别猫”这个类别，而不是“数字加法”，因此，很难用人类编写的算法来解决这些问题。这些问题通常是在某些数据中识别模式，例如识别图像中的对象、语言中的文本或交易数据中的欺诈行为。

这里有一个简单的例子，我们来看一下预测性维护。想象一下许多传感器正在发送数据流，有时，某些机器会发生故障。现在的难题就是学习导致故障的数据流的模式。一旦学会了这种模式，就可以在正常操作期间识别出这种模式，从而预防潜在的故障。

虽然机器学习的原理并不新鲜，但目前深受大众的追捧。这主要有三个原因：首先，用于应用和训练的大量数据的可用性(“大数据”);其次，我们现在拥有巨大的计算能力，特别是在云端;第三，一系列的开源项目使得每个人或多或少会使用一些算法。（本文引用地址：

以上是网络信息转载，信息真实性自行斟酌。