制造一臺能夠滿足數(shù)十億用戶期望的人腦復制品的機器并不是一件容易的事，但從以下幾方面來看，這一復雜的問題正在逐漸得到解決。

基于情境、情感而進行思考、決定和行動的力量使人成為生態(tài)系統(tǒng)中獨特的物種。我們可以通過一些基本思想展開：

·機器學習就像在一個非生命的物體、機器或系統(tǒng)中，基于一些高度復雜的算法和技術構建類人行為。

·機器學習能幫助我們采取適當行動滿足我們所需。

在深入研究機器學習功能的細節(jié)和粒度之前，讓我們對它有一個整體的感受，并發(fā)現(xiàn)日常實際生活中機器學習的一些重要用例。

一、銀行、零售和電信行業(yè)用例：

潛在客戶和合作伙伴；

客戶滿意指數(shù)（基于關系、交易、營銷活動等）；

欺詐、浪費和濫用索賠；

預測客戶的信用風險和信譽；

營銷活動的有效性-比如有多少人接受了這一提議，又有多少人拒絕了該提議？哪些決定性的因素導致了用戶接受該提議？

交叉銷售和建議-例如，電子商務網(wǎng)站會提示：“購買該產(chǎn)品的人也購買了這個（產(chǎn)品）�！�

聯(lián)絡中心（幫助客戶服務代表在通話過程中通過相關數(shù)據(jù)與客戶聯(lián)系）-例如，“我們發(fā)現(xiàn)您支票簿訂單的地址與我們存檔的地址不同，您是否想更改詳細地址信息？”

二、醫(yī)療保健和生命科學行業(yè)用例：

掃描、篩選和生物識別；

基于成分混合的藥物研發(fā)；

基于癥狀、患者記錄和實驗室報告的診斷和補救；

根據(jù)藥物、患者、地理位置、氣候條件、歷史病史、食物攝入等數(shù)據(jù)的AECP（不良事件病例處理）情景。

三、常規(guī)應用：

手寫文本或語音（識別和學習圖形學技術）；

調試、疑難解答和應用向導；

基于垃圾郵件的電子郵件過濾；

文本和郵件分類/建議；

問題支持并豐富KeDBs（知識錯誤數(shù)據(jù)庫）；

朋友和同事推薦 - 通過Facebook、LinkedIn、Twitter等；

無人駕駛汽車 -構建人工智能和算法；

圖像處理。

四、安防行業(yè)用例：

手寫、簽名、指紋、虹膜/視網(wǎng)膜識別和驗證；

人臉識別；

DNA模式匹配；

等等...

小結：

通過機器/非生命物體來構建一個人腦的復制品，并滿足數(shù)十億用戶的期望并不是一件容易的事情。豐富的高質量數(shù)據(jù)與完美的算法相結合對于構建和訓練機器學習模型進行思考、決定和像人類一樣表現(xiàn)至關重要。

在進行了數(shù)十億次不間斷的數(shù)據(jù)處理之后，人類的頭腦可能會感到疲倦。這也正是機器學習算法發(fā)揮關鍵作用的地方，在構建了之后就會自動運行。

簡而言之，大數(shù)據(jù)+機器學習=最佳搭檔。