共计 2537 个字符，预计需要花费 7 分钟才能阅读完成。
在计算机呈现之前人们就空想着一种机器能够实现人类的思维，能够帮忙人们解决问题，甚至比人类有更高的智力。人工智能是计算机科学的一个钻研分支，是多年来计算机科学钻研倒退的结晶。
人工智能是应用与传统计算机系统齐全不同的工作模式，它能够根据通用的学习策略，读取海量的大数据，并从中发现法则、分割和洞见，因而人工智能可能依据新数据主动调整，而无需重设程序。
目前，人工智能在金融、医疗、制作等行业失去了广泛应用。其中，机器学习是人工智能技术倒退的次要方向。
01
机器学习：实现人工智能的高效办法
从狭义上来说，机器学习是一种可能赋予机器学习的能力，以此让它实现间接编程无奈实现的性能。但从实际的意义上来说，机器学习是通过教训或数据来改良算法的钻研，通过算法让机器从大量历史数据中学习法则，失去某种模式并利用此模型预测将来，机器在学习的过程中，解决的数据越多，预测后果就越精准。
机器学习在人工智能的钻研中具备非常重要的位置。它是人工智能的外围，是使计算机具备智能的根本途径，其利用遍布人工智能的各个领域。从 20 世纪 50 年代人们就开始了对机器学习的钻研，从最后的基于神经元模型以及函数迫近论的办法钻研，到以符号演算为根底的规则学习和决策树学习的产生，以及之后的认知心理学中演绎、解释、类比等概念的引入，至最新的计算学习实践和统计学习的衰亡，机器学习始终都在相干学科的实际利用中起着主导作用。当初已获得了不少成就，并分化出许多钻研方向，次要有符号学习、连接学习和统计学习等。
• 机器学习的构造模型
机器学习的实质就是算法，算法是用于解决问题的一系列指令。程序员开发的用于领导计算机进行新工作的算法是咱们明天所看到先进数字世界的根底。计算机算法依据某些指令和规定，将大量数据组织到信息和服务中。机器学习向计算机收回指令，容许计算机从数据中学习，而不须要程序员做出新的分步指令。
机器学习的根本过程是给学习算法提供训练数据。而后，学习算法基于数据的推论生成一组新的规定。这实质上就是生成一种新的算法，称之为机器学习模型。通过应用不同的训练数据，雷同的学习算法能够生成不同的模型。从数据中推理出新的指令是机器学习的外围劣势。它还突出了数据的关键作用：用于训练算法的可用数据越多，算法学习到的就越多。事实上，AI 的许多最新进展并不是因为学习算法的激进翻新，而是当初积攒了大量的可用数据。
• 机器学习的工作流程
1. 抉择数据：首先将原始数据分成三组：训练数据、验证数据和测试数据；
2. 数据建模：再应用训练数据来构建应用相干特色的模型；
3. 验证模型：应用验证数据输出到曾经构建的数据模型中；
4. 测试模型：应用测试数据查看被验证的模型的性能体现；
5. 应用模型：应用齐全训练好的模型在新数据上做预测；
6. 调优模型：应用更多数据、不同的特色或调整过的参数来晋升算法的性能体现。
02
主动机器学习：将 ML 自动化
明天的机器学习不仅限于研发利用，而且曾经进入了企业畛域。不过，传统的 ML 流程仍依赖于人力，但并非所有企业都有资源来投资经验丰富的数据迷信团队，AutoML 正是解决这种窘境的一种办法。
主动机器学习（AutoML）是将机器学习利用于事实问题的端到端流程自动化的过程。AutoML 使机器学习真正意义上成为可能，即便对于在该畛域没有专业知识的人也是如此。
从下面介绍的 ML 流程能够看到，从抉择数据、到数据建模，再到调优模型，每个步骤都由人来管制和执行。而 AutoML 次要关注三个次要方面：数据预处理、特色解决、模型训练。两头产生的所有其余步骤都能够轻松实现自动化，同时提供通过优化并筹备好进行预测的模型。
• 为什么须要 AutoML
在过来几年中，对机器学习零碎的需要飙升。这是因为 ML 现在在宽泛的利用中获得了胜利。然而，即便有这种明确的迹象表明机器学习能够为企业提供反对，但很多公司仍在为部署 ML 模型而艰巨地摸索。
首先，他们须要建设一支由经验丰富的数据科学家组成的团队，这些科学家都要拿丰富的薪水。其次，即便你领有一支优良的团队，往往须要更多的教训来决定哪种模式最适宜你的问题，而不是常识。
机器学习在各种利用中的胜利，促使了对机器学习零碎一直增长的需要，非专家偏向于用 AutoML 尽可能多地自动化实现 ML 中的步骤，在只需起码人力的状况下仍放弃模型的性能。
• AutoML 的三大长处
1. 通过主动执行的重复性工作来进步工作效率，这使得数据科学家可能更多地关注问题而不是模型；
2. 自动化 ML 还有助于防止可能因手动操作引起的谬误；
3.AutoML 是向机器学习民主化迈出的一步，它使所有人都能应用 ML 的性能。
03
ML 和 AutoML 在 BI 的利用：数据挖掘
数据挖掘利用 ML 技术从大量数据中挖掘出有价值的信息。比照传统的数据分析，数据挖掘揭示数据之间未知的关系，能够做一些预测性的剖析，例如精准营销、销量预测、散失客户预警等等。
尽管数据挖掘学习门槛较高，然而有越来越多的软件工具反对 ML 模型的主动构建，也即 AutoML，这些模型能够尝试许多不同的算法来找出最胜利的算法。一旦通过训练数据找到了可能进行预测的最佳模型，就能够部署它，并对新的数据进行预测。
例如在 Smartbi V9 中推出的数据挖掘，外面的图形化建模、一键部署等性能，把数据挖掘的学习门槛升高了很多。Smartbi V10 进一步升高应用难度，减少了模型比照与报告生成的性能，建模与后果比照简直连学习老本都不须要了。
在 Smartbi V10 中提供 AutoML 性能，通过三步向导化的点选，就主动实现整个模型的构建。当对同一需要应用不同算法实现建模后，只须要一步就能生成比照报告，从中挑选出最合适的进行上线。这个性能对于客户是有很大帮忙的，升高了开掘我的项目的施行门槛和老本。
04
AutoML 的将来
从实质上讲，AutoML 的目标是自动化反复的工作，如管道创立和超参数调整，以便数据科学家在理论中能够将更多的工夫花在手头的业务问题上。
AutoML 还在于让所有人都能应用这项技术，而不仅仅多数人才能用。AutoML 和数据科学家能够联结起来减速 ML 的倒退过程，从而实现机器学习的真正效率。
AutoML 是否胜利取决于它的使用率和在这个畛域所获得的停顿。很显著，AutoML 是机器学习将来的一个重要组成部分。