快速跳转

什么是机器学习?

复制 URL

机器学习是一项训练计算机找到模式、做出预测并从经验中学习且无需明确编程的技术。

机器学习(ML)是人工智能(AI)的一个子类,是指利用算法识别一组数据中的模式并做出预测。这些数据可以包含数字、文本,甚至是照片。在理想条件下,机器学习可让人类以自身未曾企及的速度和准确度解读数据。

人工智能是指人类对机器赋予一种类人的智能。而机器学习意味着人们通过对机器进行编程,使其模仿人类天生具备的特定认知能力,例如感知、学习和解决问题。 

如何让机器像人类一样思考?那就是对机器进行训练,使其创造自己的预测模型。这种预测模型可作为机器分析数据的手段,并最终成为"具备学习能力的"机器。要开始这一过程,您需要向计算机提供数据并选择学习模型,以指导机器如何处理这些数据。 

机器学习模型最终可以使用数据来实现 3 种功能:

  • 描述发生了什么
  • 预测将会发生什么
  • 建议接下来怎么做


根据任务的复杂度和期望的结果,要选择不同的学习模型来训练机器。机器学习通常划分为 3 种学习风格:

监督学习模型是利用加标签的数据集来进行训练。这种模型一般用于图像识别等任务。

无监督学习模型是通过浏览未加标签的数据并查找共性、模式和趋势。这种模型通常用于客户细分、推荐系统和一般数据探索等任务。

强化学习模型是通过在既定回报系统中使用试错流程来进行训练。这种学习可用于训练计算机完成诸如玩游戏等通过操作得出胜败结果的任务。 

一旦计算机利用学习模型和训练数据,熟悉了您希望其解读数据的方式后,就能在出现新数据时做出预测并执行任务。随着计算机不断从持续的数据流中学习,其预测准确度会逐渐提高,并且能够以比人类更短的时间和更高的准确度完成任务。

机器学习和人工智能可用于提升用户体验、预测客户行为、监控欺诈检测系统,甚至还能帮助医疗卫生提供方检测危及生命的疾病。在日常生活中,我们许多人都会用到机器学习。常见的用例包括:

  • 流媒体平台上的算法推荐内容。
  • 智能客服和聊天机器人。
  • 定向投放广告。
  • 金融机构自动化报价。

机器学习现已逐渐成为许多公司竞相使用的功能,医疗卫生金融服务电信政府和其他行业纷纷都涌现出变革性的 AI/ML 用例。

容器和 Kubernetes 是加速机器学习生命周期的关键,因为这些技术可为数据科学家提供随时随地训练、测试、部署和管理 ML 模型所需的敏捷性、灵活性、可移植性和可扩展性。

红帽® OpenShift® 是业内领先的容器和 Kubernetes 混合云平台,其关键功能可以在从数据中心内裸机和虚拟服务器到混合云和边缘等各种环境中,以一致性的方式实现机器学习运维(MLOps)。

红帽 OpenShift 数据科学是红帽 OpenShift 的一项服务,可为数据科学家和开发人员提供一款用于构建智能应用的一致且强大的人工智能和机器学习(AI/ML)平台。除了核心的建模和实验外,OpenShift 数据科学还提供机器学习运维(MLOps)功能,例如通过模型供应和监控更快地将模型引进到生产中。

扩展阅读

文章

什么是红帽 OpenShift Operator?

红帽 OpenShift Operator 自动执行 Kubernetes 原生应用实例的创建、配置和管理。

文章

为什么选择红帽 OpenShift Serverless?

红帽 OpenShift Serverless 可扩展 Kubernetes,以部署和管理无服务器工作负载。

文章

为什么选择红帽 OpenShift 服务网格?

使用红帽 OpenShift 服务网格,您能够以统一的方式连接、管理和查看基于微服务的应用。

详细了解 OpenShift

产品

企业就绪型 Kubernetes 容器平台,可实现全堆栈自动化运维,从而轻松管理混合云、多云和边缘部署。

出色的软件定义存储,可以随着容器的增减,跨环境为数据提供永久的存储位置。

企业就绪型 Kubernetes 原生容器安全防护解决方案,让您能够更安全地构建、部署和运行云原生应用。

一个具有内置安全策略、用于控制 Kubernetes 集群和应用的控制台。

相关资源

分析文章

红帽 OpenShift 的业务价值

分析师资料

红帽被 Forrester 评为多云容器开发平台领导品牌

分析文章

托管 Kubernetes 平台可以加快数字化转型

电子书

增强混合云安全性

检查清单

成功混合云策略的 7 大特征

检查清单

制定有效的混合云策略

检查清单

在云中采用容器的八大理由

培训

免费培训课程

"通过红帽来运行容器"技术概述

免费培训课程

利用微服务架构开发云原生应用

免费培训课程

容器、Kubernetes 和红帽 OpenShift 技术概述