很多人都不確定到底什麼才是機器學習。但是事實上機器學習已經成為了我們日常生活的一部分了。
機器學習是人工智慧的一種，通過機器學習，電腦可以從示例中學習而不再需要一步一步地執行命令。
英國皇家學會（The Royal Society）認為機器學習對人們生活的影響會越來越大，並號召大家在這方面做更多的研究以確保英國能夠充分抓住並利用這個機會。
機器學習已經是很多系統的“動力系統”，從平凡到可以改變生活的所有。以下是一些例子：
1. 手機
運用語音指令命令手機完成搜索和撥打電話等功能就是依賴於與機器學習相關的技術。
虛擬人工助理，如Siri、Alexa、Cortana 或者 Google Assistant 能夠執行命令也是因為有了語音辨識技術，能夠處理人類語言，匹配相關指令並以越來越自然的方式做出反應。
虛擬語音助理通過學習大量的對話及其他各種各樣的方式學習人類語言。它們也許會問詢具體的資訊，如怎麼稱呼你，或者一家人中每個個體的聲音分別是什麼樣的。
所有使用者所產生的大量對話資料也被用作學習例子從而可以説明虛擬人工助理識別多音詞以及學習如何自然地進行討論。
2. 購物車
很多人都非常熟悉購物推薦，回想一下線上超市提醒你購買東西的場景，或者Amazon向你推薦你可能喜歡的書的場景。
機器學習就是通過所謂的推薦系統來進行推薦的。通過分析消費者的購物歷史資料以及消費者所表現出來的消費喜好，推薦系統可以在購物歷史中總結出規律，從而預測出你可能喜歡的產品。
3. 電視
相似的推薦系統同樣也用於電影或者電視等流媒體中，比如Netflix就有這樣的推薦系統。
推薦系統利用機器學習分析觀看習慣，根據每個人看過什麼、喜歡看什麼分析出偏好模式。瞭解到觀眾喜歡的電影類型、點播歷史和高分評價以後，推薦系統就可以分析出看電影的個人偏好。
在 Spotify 等音樂類流媒體中同樣有推薦系統的存在，Facebook也通過這樣的機制為用戶推送文章。
4. 電子郵件
機器學習同樣可以被用於區分不同種類的物品或項目。這點可以被用來從一堆電子郵件中挑選出你想看的郵件。
垃圾郵件探測系統利用一組示例郵件來識別出垃圾郵件——通過檢測特定的詞語、寄件者以及其他特徵判定是否是垃圾郵件。一旦設定好，系統就可以直接將相關郵件放進特定的資料夾中。隨著用戶標注郵件或者在資料夾間移動郵件，該系統持續學習。
5. 社交網路
你想過Facebook是怎麼知道你的照片裡有誰並自動打上標籤的嗎？
Facebook及其他社交媒體所採用的可以自動加注標籤的圖像識別系統也是基於機器學習的。當用戶上傳照片並標注出自己的朋友和家人後，圖像識別系統就會識別出重複出現的元素並將其分類或指向特定的人物。
6. 銀行
通過大量資料分析和模式鑒別，人工分析員無法識別出的行為都可以被分析出來。這種分析能力的最常見應用就是打擊儲蓄卡和信用卡欺詐行為。
機器學習系統可以被訓練來識別典型的消費模式及交易特徵（如地點、數目或者時間），從而或多或少的降低欺詐的可能性。當一單交易看起來有異常時就會觸發警報，隨後用戶就會收到一條相關資訊。
7. 醫院
醫生開始考慮使用機器學習來做出更好的診斷，比如發現癌症和眼疾。通過學習醫生標記過的圖片，電腦可以分析鑒別新的病人視網膜圖、皮膚斑點或者顯微鏡下的細胞圖。
通過這種方式，機器可以發現提示疾病存在的視覺線索。此類圖像識別系統在醫療診斷領域裡變得越來越重要。
8. 科學
機器學習同樣也為科學家探索新發現提供了助力。特別是在粒子物理領域，機器學習可以説明電腦從Cern的大型強子碰撞型加速器收集到的海量資料集中發現模式。
機器學習在希格斯玻色子（Higgs Boson）的發現中起到了重要作用，現在機器學習被應用於任何人都沒有想像過的“新物理”探索中。同時，還被用於發現新藥，比如通過尋找新型小分子或抗體來對抗疾病。
未來將會怎樣？
未來的發展將聚焦於製造出能夠出色地完成特定任務的系統，並使這些系統成為人類的助手。
在學校，機器學習可以跟蹤學生的表現，制定個人學習計畫。可以幫助我們高效地利用資源，從而降低能耗；可以通過幫助人們發現更多的有意義的人際接觸來加強對老人的關懷。
在交通領域，機器學習可以推動無人駕駛。
各行各業都可以利用演算法來提高效率。金融服務的自動化程度可以更高，律師事務所利用機器學習完成基本的調查。常規任務可以更快地完成，這將挑戰依賴於按工作時間收費的商業模式。
在未來十年，機器學習科技將越來越多地滲透到我們的生活中，改變我們工作和生活的方式。
翻譯來自：蟲洞翻翻 譯者ID：Louize 編輯：楊志芳
（發佈/韋康）