什么是机器学习？

机器学习是计算机程序无需人工干预即可学习并适应新数据的概念。机器学习是人工智能(AI) 的一个领域，无论全球经济如何变化，它都能使计算机的内置算法保持最新状态。

了解机器学习

经济的各个部门正在处理来自不同来源、不同格式的大量数据。由于技术（特别是先进计算能力和云存储）的不断使用，大量数据（称为大数据）变得越来越容易获取和访问。公司和政府意识到利用大数据可以获得巨大的洞察力，但缺乏梳理海量信息所需的资源和时间。因此，不同行业正在采用人工智能措施来收集、处理、交流和共享数据集中的有用信息。机器学习是越来越多地用于大数据处理的人工智能方法之一。

机器学习的各种数据应用是通过机器或计算机内置的复杂算法或源代码形成的。此编程代码创建一个模型，用于识别数据并围绕其识别的数据构建预测。该模型使用算法中内置的参数来形成决策过程的模式。当新的或额外的数据可用时，算法会自动调整参数以检查模式变化（如果有）。但是，模型不应改变。

机器学习的用途

由于各种原因，机器学习被应用于不同的领域。可以校准交易系统来识别新的投资机会。营销和电子商务平台可以根据用户的互联网搜索历史或之前的交易向用户提供准确和个性化的推荐。贷款机构可以结合机器学习来预测不良贷款并建立信用风险模型。信息中心可以利用机器学习来覆盖来自世界各个角落的大量新闻报道。银行可以利用机器学习技术创建欺诈检测工具。随着企业和政府越来越意识到大数据带来的机遇，机器学习与数字化时代的结合将永无止境。

机器学习的应用

机器学习的工作原理可以通过金融界的例子得到更好的解释。传统上，证券市场的投资参与者，如金融研究人员、分析师、资产管理公司和个人投资者，会搜索来自世界各地不同公司的大量信息，以做出有利可图的投资决策。然而，一些相关信息可能不会被媒体广泛公开，并且可能只有少数拥有公司员工或信息来源国居民优势的人知道。此外，人类在给定时间范围内只能收集和处理这么多信息。这就是机器学习的用武之地。

资产管理公司可以在其投资分析和研究领域采用机器学习。假设资产管理公司只投资矿业股票。系统内置的模型扫描网络并收集来自企业、行业、城市和国家的所有类型的新闻事件，收集的这些信息构成了数据集。公司的资产管理者和研究人员无法利用他们的人力和智慧来获取数据集中的信息。与模型一起构建的参数仅从数据集中提取有关矿业公司、勘探部门监管政策以及选定国家的政治事件的数据。

机器学习的例子

假设矿业公司 XYZ 刚刚在南非的一个小镇发现了一个钻石矿。专注于矿业公司的资产管理公司手中的机器学习工具会将其突出显示为相关数据。然后，机器学习工具中的模型将使用一种称为预测分析的分析工具，根据最近发现的信息，预测采矿业在一段时间内是否会盈利，或者哪些矿业股票可能会在某个时间增值，而无需资产管理公司的任何输入。该信息被转发给资产管理者以分析其投资组合并做出决策。然后，资产管理者可能会决定向 XYZ 股票投资数百万美元。

在发生不利事件（例如南非矿工罢工）后，计算机算法会自动调整其参数以创建新模式。这样，即使世界事件发生变化，机器内置的计算模型也能保持最新状态，并且不需要人类调整其代码来反映变化。由于资产管理公司及时收到了这些新数据，他们能够通过退出股票来限制损失。

相关文章