本文摘要：机器学习（ML）和物联网（IoT）现在都十分风行。

机器学习（ML）和物联网（IoT）现在都十分风行。关于机器学习和物联网有大量的注目和抹黑，我们有可能很难穿越噪音去理解它的实际价值。数据分析vs．机器学习关于机器学习的抹黑更加多，许多的组织都会期望在他们的业务中多少用于一些机器学习。

可是绝大多数时候都无法如此。后面我将更加了解地探究机器学习的价值，但首先我要说，机器学习必须大量数据。

这有可能意味著改良流程、降低成本、为客户建构更佳的体验，或者修筑新的商业模式。事实是，大多数的组织可以从传统的数据分析中取得许多益处，而不必须更加简单的机器学习的方法。

传统的数据分析在说明数据这方面做到得有趣。你可以依照过去再次发生的事件或今天再次发生的情况分解报告或模型，汲取简单的看法来应用于的组织之中。数据分析可以协助分析和跟踪目标，构建更加智能的决策，然后随着时间的流逝获取取决于顺利的手段。那么机器学习在什么时候有价值？典型的传统数据分析的数据模型一般来说是静态的，它在处置较慢变化和非结构化的数据方面的用于是有局限性的。

当牵涉到到物联网时，一般来说必须确认几十个传感器输出和很快产生数百万个数据点的外部因素之间的相关性。传统的数据分析必须基于过去数据和专家意见的模型来创建变量之间的关系，而机器学习就是指结果变量（例如节约能源）抵达，然后自动找寻预测变量及其相互作用。一般来说，当你告诉你想什么，但却并不知道作出该决策所必须的最重要的输出变量的时候，机器学习是有价值的。

所以你给了机器学习算法一个目标，然后它不会从数据中“自学”到哪些因素对于构建这一目标很最重要。Google去年在其数据中心应用于机器学习就是一个很好的例子。数据中心必须维持低温，因此它们必须大量的能源来让冷却系统长时间工作（或者你可以必要将它们扣入海洋中）。

这对于Google来说是极大的成本，所以目标是通过机器学习来提高效率。因为有一百二十个变量影响着冷却系统（风扇、水泵扭矩、窗等），用于传统的方法来修建模型将是一个十分艰难的任务。

而Google应用于机器学习，将整体能源消耗减少了百分之十五。这将为Google在未来几年节省数亿美元。此外，机器学习对于精确预测未来事件而言也很有价值。鉴于用于传统数据分析所建构的数据模型是静态的，随着更加多的数据被捕捉和吸取，机器学习算法不会随着时间的流逝而不断改进。

这意味著机器学习算法可以作出一些预测，将实际再次发生的情况与其预测的情况展开较为，然后展开调整，从而显得更为精确。通过机器学习构建的预测分析对于许多物联网应用于来说都是十分有价值的。我们来看几个明确的例子。

物联网中的应用于工业应用于的成本节约预测的能力在工业环境中十分简单。通过从机器内部或表面上的多个传感器绘制数据，机器学习算法可以“自学”机器的典型特征，然后检测出现异常状况。一个名为Augury的公司做到的正是这个事情，它在设备上加装了振动和超声波传感器：“搜集的数据被发送到我们的服务器中，在那里与从该机器搜集到的原本的数据以及从类似于机器搜集到的数据展开较为。

我们的平台可以检测到最微小的变化，并在故障再次发生时收到警告。这个分析是动态已完成的，其结果不会在几秒钟内表明在技术人员的智能手机上。”预测机器何时必须确保是十分有价值的，它将节省数百万美元的成本。

Goldcorp就是一个很好的例子，它是一家矿业公司，用于极大的车辆来载运材料。当这些运输车辆经常出现故障时，将造成Goldcorp每天损失200万美元。Goldcorp正在用于机器学习预测机器必须确保的时间，准确度多达百分之九十，这节省了极大的成本。

塑造成个人体验只不过我们都熟知我们日常生活中的机器学习。Amazon和Netflix都在用于机器学习来理解我们的偏爱，并为用户获取更佳的体验。这有可能意味著它不会向你引荐你有可能讨厌的产品或引荐一些涉及的电影和电视节目。某种程度的，在物联网的机器学习中，它能将我们的环境塑造成我们个人所青睐的这一事实将十分有价值。

NestThermostat是一个很好的例子，它用于机器学习来理解你对冷度的偏爱，保证当你上班回家或在早晨醒来时，房间的温度是适合的。更加多上面所述的几个例子只是无限的可能性中的一小部分，但它们很最重要，因为它们是现在正在运营的物联网中的机器学习的简单的应用程序。

但总的来说…我们只捉到了皮毛未来几年将之后相连到互联网的数十亿个传感器和设备将分解指数级的更好的数据。正如我在上一篇文章中辩论过的那样，数据的极大快速增长将带给机器学习的巨大进步，并为我们带给无数取得收益的机会。

我们不仅可以预测机器必须确保的时间，还可以预测必须确保我们自己的时间。机器学习将应用于我们的可穿着设备，以理解我们的基础状况，并在保持我们身体的最重要器官出现异常时做出辨别，适当时，不会自动打电话给医生或救护车。除了个体之外，我们还可以用于这个身体健康数据来查阅整个人群的身体状况的整体趋势，预测疾病的愈演愈烈并主动解决问题身体健康问题。

我们还可以在事故再次发生之前预测事故和犯罪行为。来自智能城市的噪音传感器、摄像机、甚至智能垃圾箱的数据都可以传输到机器学习算法中，以找到事故或犯罪行为再次发生的征兆，为执法人员部门获取强有力的工具（当然这将牵涉到到一些隐私问题）。

尽管机器学习和物联网都正处于抹黑的高潮，但未来的应用于和可能性有一点这样的抹黑。我们知道只捉到了所有可能性的皮毛。

本文来源：565体育app-www.geekyak.com