摘要：机器学习已经渗入进几乎所有的数据驱动型商业领域，不过，大公司还未完全占领下面这些领域。
机器学习与人工智能在数据驱动型商业项目中发展迅猛，几乎遍布每个角落。这里我选了几个可能还未被大公司吞食的领域。
「锄头和铲子」 戏码
即在那次加利福尼亚州淘金热中，镐锹承包商大赚了一笔（然而探矿者的贡献被忽略了）。机器智能的镐与锹就是硬件、数据输入端及（有争议的）算法本身。
1.很明显，机器智能算法的开发大多数都是开源的。当然也有例外——去年，哈佛大学申请了一项有效替代 BackProp 算法的专利，即 Feedback Alignment Algorithm ——我想知道，他们打算如何使之商业化？帮助人们方便利用学习算法的高质量 SaaS 产品，会找到有这方面需要的用户，而且 MetaMind，正将深度学习技术带入数据集，它们就是这样一家公司。另一个我喜欢的项目叫做自动统计专家（The Automatic Statistician），它利用贝叶斯推理（Bayesian inference）找出数据拟合的最佳模型。Curious AI，是一家通用人工智能(General AI）公司，它们的第一个商业项目就是垃圾分类（中规中矩的盈利模式范本），据报道，公司旨在以工具包的形式出售人工智能软件。
2.大公司可以接触到庞大数据库，还能获取更多的数据。不过，到目前为止，大公司的关注点都集中在一些唾手可得的成果上，比如社交或商业数据，因此，创业公司仍有机会在某些领域大展拳脚：难以获得数据以及（或者）难以标签化数据的地方。Affectiva 的脸部表情回应数据库就是这个类型，还有 Pallas Ludens（端到端数据注释服务），以及 opensensors.io（为传感器数据公共资源附加价值）。基因和医学图像数据——受制于某些棘手的隐私问题——会让个性化治疗、护理以及更好的诊断成为可能。这方面，看 Genomics England 公司是个好例子。
3. 硬件前沿，GPUs 已经让一些巨大进展成为可能。（一张NVIDIA GeForce GTX Titan就能让我检测蝙蝠的音频信号）
蝙蝠信号的声谱图（下图）及ConVnet预测（上图）。
但是，这些只是图像处理器。高效学习以及推理的 下一个拐点，会来自为机器学习特别设计处理器这一领域。Graphcore 称之为智能处理器单元（Intelligent Processor Units）。同时，Nervana Systems， Teradeep（Yann LeCun 担当顾问）以及 Thinci 正在打造他们自己的定制硬件。将一些对教育有帮助的公司（Udacity, Coursera, Kaggle 等），或管理代码库和项目的公司（比如 Atlassian，上市准备中）包括进来，也是很有意义的。
众多初创公司在这个领域的表现都差强人意。正如 MIT 的情感计算小组（Affective Computing group）所言：
情感对于人类体验来说至关重要，它影响认知、观念、以及学习、交流、甚至理性决策等日常活动。然而,技术人员却大大忽略了情感的作用并为用户创造出一种经常让人感觉挫败的体验...
用来训练一个微表情探测器的图片
第一个任务是训练识别人类情感的模型。Emotient，RealEyes 及 Affectiva，都使用了脸部表情来推理情感，目前（看起来）很大程度上是一种营销手段。Cogito Corp 及 Beyond Verbal 关注的是从语音中解读情感线索，进而展开市场调研，提供更好的用户体验。
接着是模仿情感行为，比如，为了和人类自然互动。那个「友善」的机器人 Jibo，就是只用一只「眼睛」表达情感的绝佳的例子。尽管未能找到其他例子，不过，一定会出现比较便宜的、具有自适性和回应性的机器人玩具（比如Paro，治愈系海豹机器人，不过仅供娱乐）。这些机器人的优势在于，避免了对话性机器人玩具隐私方面的担忧，比如像 Toy Talk &及 Mattel 的 Hello BarbieTM，至少在声音的本地化而非云端处理后。
另一些应用包括个性化保健与教育、冲突解决方案、协商训练，以及自适应游戏。这些领域看起来很适合运用机器学习，因为情感体验是主观和多变的。
机器智能是否会让人类劳动力显得多余，对此，我持观望态度，不过我会指出，它当然会有望帮助人类完成许多专业任务（而且在这一过程中，能为消费者在金钱方面提供更好的选择和价值）。
这些技术能做什么？拿法律行业为例，Ravn Systems 实现了法律工作中（重复而单调的）文件审查自动化；Bitproof’s Peter 是一个人工智能法律助手，能请求签名，生成合同以及证明文件；Premonition.ai 使用数据来搜索司法审判中的无意识偏见。
在招聘，保险，财务管理等领域，类似工具能让专业人士将更多的时间花在工作上更加让人满意的方面，诸如锻炼判断力，进行决策以及娱乐客户。
药物发现总是昂贵而有风险的，需要相当的智慧。但是，加入你能用数据减少风险，找到更好的药物研发目标，会怎样？这是 Stratified Medical 的假设，运用深度学习进行药物发现。
另外，Enlitic 和 Zebra Medical 寻求运用深度学习来开发精确的诊断/决策支持工具，而 Your.MD 已经与英国国家卫生服务组织合作，开发提供个性化健康援助的 app。
「什么电影来着，有个我妹妹喜欢的德国演员...和外星人有关...很朋克的那部？」
搜索软件需要处理不准确、主观和个人的信息，就像人类做的那样。它需要帮助我们从一堆庞杂信息中，发现与之相关的内容。这一过程包括学习文本和内容特征。事实上，这需要一篇博文的篇幅来讲清楚，不过，这里有些例子：
Clarify 通过API使得音频和视频变得可检索。它就是扫描文本，找关键词来确定相关性，一个很赞的省时应用。
Lumi 根据浏览历史来推测你的品味，提供相关流行内容。
Youssarian Lives 是一个能够进行侧面连接的搜索引擎。
EyeEm 已经将机器学习用于图片市场，这样，无需便签就能进行搜索特征，比如「愉快的」和「多雨伦敦」，而 Cortexica 及 Sentient Technologies /
也以类似的方式重新定义产品搜索。
搜索相关性的一个必要方面，当然是「值得信任（trustworthiness）」，这样，社交媒体及新闻网站的内容和主张的就能进行验证或根据真实性评分。有人在做这个吗？
网络安全领域的机器学习已经吸引了大批风险资本（例如，Lookout 的 2.82 亿注资， Vectra Networks 获得了 7800 万，Darktrace 的 4000 万，以及 Cybereason 的 8900 万），但是，一系列坏消息（比如最近 TalkTalk 用户数据被黑）表明市场仍有相当大的缺口。
虽然就像任一片红海一样，但是，还是难以区分许多拥有表明相似产品的初创公司。在这方面我无疑有着更多的工作，也会密切留意网络安全初创公司方面的加速器 Cyber London。
有太多应用领域了，很难去仅仅关注一两个。
对新数据集的研发和应用的步伐正使得机器智能成为一个如此令人兴奋的领域。尤其是，此刻的伦敦蕴藏着真正意义上的动力，靠近世界级学术机构的东道主（伦敦帝国学院，英国伦敦大学，哈佛和剑桥），拥有一个已经建立起来的创业生态系统（例如，Entrepreneur First加速器积极拥抱机器学习型人才），还有成为目标客户中心——金融，法律及政治——的地理位置。
本文选自：kdnuggets，作者：Libby Kinsey，机器之心编译；
(C)机器之心，最专业的前沿科技媒体和产业服务平台，每日提供优质产业资讯与深度思考，欢迎关注微信公众号「机器之心」（almosthuman2014），或登录机器之心网站查看更多精彩内容。
本文仅代表作者观点，不代表百度立场。本文系作者授权百度百家发表，未经许可，不得转载。
分享到微信朋友圈
打开微信，点击 “ 发现 ”
使用 “ 扫一扫 ” 即可将网页分享至朋友圈。
扫一扫在手机阅读、分享本文
百家号作者平台APP
扫码下载安卓客户端
便捷管理文章信息
随时查看文章收益请输入正确的邮箱
已有帐号请点击
帐号创建成功！
我们刚刚给你发送了一封验证邮件
请在48小时内查收邮件,并按照提示验证邮箱
感谢你对微口网的信任与支持
如果你没有收到邮件，请留意垃圾箱 或 重新发送
你输入的邮箱还未注册
还没有帐号请点击
你输入的邮箱还未注册
又想起来了？
邮件发送成功！
我们刚刚给你发送了一封邮件
请在5分钟内查收邮件,并按照提示重置密码
感谢你对微口网的信任与支持
如果你没有收到邮件，请留意垃圾箱 或 重新发送
对不起，你的帐号尚未验证
如果你没有收到邮件，请留意垃圾箱 或
意见与建议
请留下您的联系方式
* 留下您正确的联系方式，以便工作人员尽快与你取得联系帐号:密码:下次自动登录{url:/nForum/slist.json?uid=guest&root=list-section}{url:/nForum/nlist.json?uid=guest&root=list-section}
贴数:16&分页:heyjudy发信人: heyjudy (heyjudy), 信区: WorkLife
标&&题: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 20:47:47 2015), 站内 && 同学建议让我转行这个
-- && ※ 来源:·水木社区 ·[FROM: 211.103.26.*]
弗拉基米尔发信人: davidyunfeng (弗拉基米尔), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 21:56:16 2015), 站内 && 对数学要求太高，太费脑子
【 在 heyjudy 的大作中提到: 】
: 同学建议让我转行这个
: FROM 211.103.26.*
--来自微水木3.2.0
-- && ※ 来源:·水木社区 ·[FROM: 117.79.232.*]
猪肉王子发信人: pigking22 (猪肉王子), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 22:20:58 2015), 站内 &&&& 你同学绝对有眼光！
-- && ※ 来源:·水木社区 ·[FROM: 101.254.181.*]
Expertise发信人: linzhiying (落英神剑掌), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 22:44:23 2015), 站内 && 容易登光明顶...
做算法研究的确比编程更累...
【 在 davidyunfeng 的大作中提到: 】
: 对数学要求太高，太费脑子
&& -- && ※ 来源:·水木社区 ·[FROM: 166.111.66.*]
artist007发信人: artist007 (artist007), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 22:56:28 2015), 站内 && 【 在 davidyunfeng 的大作中提到: 】
: 对数学要求太高，太费脑子
用些啥算法，互联网机器学习怎么转金融机器学习?
※ 修改:·artist007 于 Dec 20 22:56:43 2015 修改本文·[FROM: 218.202.255.*]
※ 来源:·水木社区 ·[FROM: 218.202.255.*]
artist007发信人: artist007 (artist007), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 22:57:02 2015), 站内 && 【 在 linzhiying 的大作中提到: 】
: 容易登光明顶...
: 做算法研究的确比编程更累...
-- && ※ 来源:·水木社区 ·[FROM: 218.202.255.*]
遇见未来发信人: Maxing (今日未来), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 22:59:44 2015), 站内 && 这个行业要同时熟悉大数据，金融，数学，还有会编程和算法，要求非常高 &&&& 【 在 heyjudy () 的大作中提到: 】
: 同学建议让我转行这个
发自xsmth (iOS版)
-- && ※ 来源:·水木社区 ·[FROM: 117.114.147.*]
Baygal nuur发信人: plax (Baygal nuur), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 23:03:23 2015), 站内 &&&& 一般都是多专业团队做的 && 【 在 Maxing (今日未来) 的大作中提到: 】
: 这个行业要同时熟悉大数据，金融，数学，还有会编程和算法，要求非常高
&&&& -- && Hey 我真的好想你
太多的情绪 没适当的表情
最想说的话我(应)该从何说起
你是否也像我一样在想你 &&&& ※ 来源:·水木社区 newsmth.net·[FROM: 211.99.222.*]
heyjudy发信人: heyjudy (heyjudy), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 23:22:08 2015), 站内 && 准备转行，了解吗
【 在 Maxing 的大作中提到: 】
: 这个行业要同时熟悉大数据，金融，数学，还有会编程和算法，要求非常高
-- && ※ 来源:·水木社区 ·[FROM: 122.13.85.*]
Expertise发信人: linzhiying (落英神剑掌), 信区: WorkLife
标&&题: Re: 有没有在金融行业做数据挖掘和机器学习的
发信站: 水木社区 (Sun Dec 20 23:35:16 2015), 站内 && 因为费脑子。
打个比方吧，人的大脑中的内存使用率，做算法的比纯编程的要高。
【 在 artist007 的大作中提到: 】
&& -- && ※ 来源:·水木社区 ·[FROM: 166.111.66.*]
文章数:16&分页:2015年机器学习领域都有哪些进展_网易科技
2015年机器学习领域都有哪些进展
用微信扫码二维码
分享至好友和朋友圈
（原标题：回顾2015展望2016，机器学习领域都有哪些进展）
文/堆堆编者注：作者Motti Nisani是一名机器学习专家，同时也是基于云的幻灯片演示软件创企Emaze的首席执行官。文章由猎云网（微信：ilieyun）精选编译。几十年前，人工智能在工程师和开发者之间算是一个比较新潮的话题。但最近这些年，机器学习则以大数据的理想产物这一身份出现在人们视野中，它的出现为人工智能等领域注入了新的活力。下面就来简单介绍一下2015年机器学习对于我们生活的影响以及我们对于它来年的期待。2015年的市场变化对于不熟悉机器学习的外行人来说，机器学习是人工智能下的一个子学科。它指的是无需人类指导，计算机算法就能自行获取新信息，不断学习并改善自身性能。比方说，特斯拉推出的无人驾驶汽车利用的就是机器学习，这在2015年引起了一阵轰动。但事实上，机器学习能做的远不仅限于交通这一方面。今年，谷歌、亚马逊、苹果、Facebook以及微软都相继开始研发机器学习。在谷歌重组成为Alphabet的时候，它就明确表示了公司会继续进军机器学习领域。而谷歌一贯的对手苹果则想要雇佣机器学习领域的专家来更好地预测顾客需求。亚马逊也推出了自己的机器学习平台。今年夏天，微软也揭开了Cortana分析套件的“神秘面纱”。尽管上述一些公司并非是机器学习领域内的先驱，但大家对于机器学习的关注已经反映出未来日常生活中机器学习的重要地位。Facebook更是重磅推出了人工智能助手“M”，并声称为通信应用Messenger打造的虚拟助手“M”能够完成一些复杂任务，非常具有实用性。然而，在虚拟助手“M”完成任务的背后，这也隐藏着机器学习最关键的一点：“回路中的人（human in the loop）”模式。这一设计模式指的是：对于机器不能肯定做出的过程和决定，交由人类来完成。机器学习不会自动化每件事情。它们用算法来处理意图清晰的邮件和日程等方面的问题，把更复杂的消息和请求传递给人类。展望2016，机器学习的关键一年历来，计算机一直被用来提升人类做事情的效率和能力。这一点前端用户最有所体会，比如说计算机上自动完成输入以及拼写检查的功能。不过Facebook则彻底颠覆了这一模型，它要利用人类来完善计算机的工作。基于“回路中的人”模式这一前提，机器学习将于2016年在计算方面完成质的飞跃并在多个领域做出突出成就。机器学习质的飞跃主要体现在三个领域：自然语言处理、个性化以及安全。说同一种语言2016年，自然语言处理（也叫做NLP）将会随着虚拟助手“M”的推广变得更加普及。我们期待Facebook继续推广“M”，也期待它的竞争对手在使用机器学习的技术模式中可以加入“人”的要素。随着开发者不断缩小人类语言处理与电子语言处理之间的区别，个人助手可以完成更多的任务，机器学习的发展速度也会随之加快。除了个人助手外，NLP还将在口语对话中扮演重要的角色：数字接线员将更具互动性、反应更快。就日常生活而言，NLP还可以使计算机对纯文本进行及时分析，比如邮件、Word文档或是幻灯片中的纯文本。这将带来许多新的功能，例如自动事实检测以及自动电子引文和脚注。即便是那些被认为是只有人类才能做的事情（设计展示以及选择图片），计算机也都可以自动完成。NLP还能够为邮件提供附件建议、在董事会报道中插入正确的图表、将普通的重要项目列表转化为高科技的视觉展示盛宴。此外，翻译服务也将得到大幅完善。很快，你就可以无需译员也能和那些说着不同语言的人进行在线交谈。翻译准确度很高，几乎不会出现误解。变得个性化在理解你说话内容的过程中，机器学习也在逐渐洞悉你是一个什么样的人，包括对你的性格特点进行深入评估。我们使用电子设备的次数越多，机器学习掌握的信息也就越来越多。自然而然，它就能更加深入了解我们。而在用户端，这一点带来的最直接的不同就是更加鲜明的个性化搜索结果。对用户了解得越多，用户被迫看到的一些不必要甚至无关的广告数量也就会减少。2016年，数字世界将会逐渐转变为你自己的个性化世界。你的计算机将会评估出你最好的朋友、你最喜欢的食物甚至你的心情。增强安全性通过完善用户身份验证，机器学习对用户了解越多，安全性越高。行为特征已经证实这个方法非常有效：机器学习技术可以创造出属于用户独一无二的文件信息，它可以分析用户是如何在银行网页进行操作的。如果有任何异常情况，机器学习也可以及时提醒银行，从而防止诈骗行为。机器学习的应用不仅限于银行业务方面。倘若有人以不符合你性格特点的方式使用你的信用卡和个人信息，信用卡公司或者其他安全服务都会收到警报提醒。
这一功能还能应用于设备安全领域。比方说，如果你的电脑和手机运行程序或连接设备的方式与你的文件信息不符合，你就会收到警报提醒。这样的系统可以抵制恶意软件、木马程序的出现并能阻止黑客入侵。2015年，我们不过是领略到了机器学习技术发展潜力的冰山一角。如今，最具科技头脑的专家们都在致力于创造出可以自行学习并且适应外界变化的设备，从而免去“人”这一要素。机器学习已经成为了我们日常生活中越来越重要的一部分。尽管一些大公司在机器学习领域已经领先一步，但我们更期待2016年能够出现一些小型、灵活的初创公司来引领机器学习领域的新方向。
本文来源：猎云网
责任编辑：王先_NT4913
用微信扫码二维码
分享至好友和朋友圈
加载更多新闻
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
阅读下一篇
用微信扫描二维码
分享至好友和朋友圈