# 機器學習現在很受歡迎 > 原文： [https://machinelearningmastery.com/machine-learning-is-popular/](https://machinelearningmastery.com/machine-learning-is-popular/) 重要的是要知道什么是特殊的，以使機器學習成為一個有吸引力的研究領域。知道為什么它現在流行起來就像一個指南，以及該領域所做出的承諾的知識。它可以突出顯示增長領域的開放式問題和方法，以及為什么會出現這種情況。 機器學習現在很流行。這種受歡迎程度的一個例子就是對斯坦福大學在線機器學習課程的回應，該課程讓成千上萬的人在第一年表現出興趣。跟蹤搜索術語流行度的[谷歌趨勢](http://www.google.com/trends/explore#q=machine%20learning%2C%20artificial%20intelligence)也表明，對機器學習的搜索將超過人工智能搜索的速度。機器學習正在超越教科書，O'Reilly 和 Manning 等技術出版商為技術人員出版機器學習書籍。 在這篇文章中，我們將回顧導致機器學習變得流行的各種因素的融合。 ## 成熟的領域 機器學習領域在過去十年中已經成熟很多，并且在過去幾年中發生了很大變化。 機器學習源于人工智能領域，是從數據或經驗中學習的方法的集合。這個分支包括遺傳算法和群體智能等領域，可以被認為是從他們的環境中學習的方法。 在 1999 年末和 2000 年代，這些生物學啟發的方法進一步分為他們自己的獨特領域，通常稱為元啟發式或計算智能，使機器學習專注于從數據中學習的方法。 這種成熟的重點是從統計領域中大量吸取重新引用方法，并促進該領域方法的統計和概率基礎。因此，機器學習 monicker 正在轉向統計機器學習。 除了該領域的特性的成熟之外，該領域中使用的方法已經成熟。已經開發了強大的方法，并且在統計和概率框架中很好地理解了它們的原理。實施這些方法的工具已經成熟了 10 年和 20 年，工具如 [R 統計工作臺](http://www.r-project.org/)和 [Weka](http://www.cs.waikato.ac.nz/ml/weka/) 框架。這些方法已經并將繼續進入主流。 ## 豐富的數據 現在有大量數據，正在收集和存儲的數據正在增長。 短語如“[信息超載](http://en.wikipedia.org/wiki/Information_overload)”對普通人可獲得的信息發表評論。我們通過電子郵件，社交網絡，博客，RSS 和播客提供了大量信息。跟不上是很難的。缺少有用內容的擔憂以及查找和跟蹤最佳內容的壓力是非常真實的。機器學習方法提供了用于定位和推薦最相關內容的工具，以克服信息過載。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/12/data.jpg) 照片記入 [k0a1a.net](http://www.flickr.com/photos/binary_koala/4100679811/sizes/l/) ，保留一些權利 我們每天使用和交互的系統都在創建描述這些交互的數據。像“[數據耗盡](http://en.wikipedia.org/wiki/Digital_footprint)”這樣的短語用于描述該數據的創建。這些數據對收集它的組織很有價值，如果數據可用，它對數據創建的發起者可能很有價值。機器學習提供了將從這種廢氣中收集的數據轉化為有意義的信息的方法，從中推動決策制定。 有些數據正在并且可以收集，這些數據尚未為個人或之前的規模收集。像[量化自我](http://quantifiedself.com/)這樣的團體正在探索從心跳，呼吸，步驟等生物信息中跟蹤和收集人們日常信息的所有方法，以及對話和口語等交互。移動電話覆蓋有傳感器，可以監控周圍區域的方向，位置，音頻和視頻。 這些數據流可以在人員，地點和組織等匯合點進行會議，并且可以回答甚至沒有構思的問題都可以回答。 一個隨意的例子是在一個位置（如你的家庭辦公室）建模你的精神狀態（如厭倦或拖延）并觸發干預（如鼓勵有針對性的行動）以優化某些目標（如生產力）。機器學習方法提供了使用大量看似不同的數據來模擬復雜問題的能力。 ## 豐富的計算 計算量充足且價格便宜。這就是為什么有大量數據以及為什么我們有更強大的機器學習方法。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/12/Abundant-Computation.jpg) 照片歸 [torkildr](http://www.flickr.com/photos/torkildr/3462607995/sizes/l/) 所有，保留一些權利 只要我記得，我已經為長期算法編寫了腳本和程序。我會非常認真地想要回答什么問題（比如哪種算法更好，哪種算法參數更好等），編寫腳本或程序來回答這個問題并在一夜之間運行實驗，同時我在工作甚至整整一周。 世界已經發生了很大的變化，并且有非常強大的計算機，你可以每小時租金到幾美元，并在巨大的數據集上進行大量的實驗。 便宜的豐富計算允許您在托管基礎架構上運行實驗，這些實驗在您的工作站或家用 PC 上永遠不會考慮運行。 這種豐富的計算也意味著您可以編寫比其使用的更多的系統。在這種情況下，運行計算機游戲的所有 CPU 時間都被提供給圖形引擎。慢慢地，穩定地，AI 可以進行越來越多的計算，使計算機控制的對手更聰明，更有吸引力。這通常用于計算的類比。我們有這么多而且它太便宜了，我們積極地設計系統，以便從核心活動中抽走循環來做我們以前不會考慮的事情。例如，為個人用戶建模以定制應用程序和網站的用戶界面，并在 Web 初創公司中運行有關客戶行為的高級報告，這兩種操作通常以前只適用于大型企業。 機器學習很受歡迎，因為計算量大且便宜。豐富而廉價的計算推動了我們收集的大量數據以及機器學習方法能力的提高。 在這篇文章中，您了解到機器學習現在很流行有三個原因： * 該領域在身份以及方法和工具方面已經成熟。 * 有大量的數據需要學習。 * 運行方法有大量的計算。 您是否對如何利用豐富的計算和數據以及機器學習的成熟領域有一些想法？發表評論。