分享到:

机器学习与互联网搜索

当你打开互联网搜索引擎,输入关键词寻找并得到想要的链接时,“机器学习”已经贯穿整个过程:搜索到的内容是机器根据无数人搜索关键词的统计结果,返回的最可能被需要的目标信息;而同时,你的这一次搜索行为也已经被机器记录,加入到它的庞大无比的数据库中,用来了解人的搜索习惯和需求。$$    随着计算机与网络的飞速发展,机器学习作用越来越大,正在改变着我们的生活和工作。互联网搜索、在线广告、机器翻译、手写识别、垃圾邮件过滤等等都是以机器学习为核心技术的。$$    微软亚洲研究院互联网搜索与挖掘组高级研究员李航博士介绍说,机器学习是关于计算机基于数据构建模型并运用模型来模拟人类智能活动的一门学科。机器学习实际上体现了计算机向智能化发展的必然趋势。现在当人们提到机器学习时,通常是指统计机器学习或统计学习。实践表明,统计机器学习是实现计算机智能化这一目标的最有效手段。$$    机器学习最大的优点是它具有泛化能力,也就是可以举一反三。无论是在什...  (本文共1页) 阅读全文>>

权威出处: 人民日报2011-08-08
《电脑知识与技术》2019年24期
电脑知识与技术

机器学习在网络空间安全研究中的应用分析

1机器学习在网络空间安全研究中的应用步骤机器学习是一门涉及多领域的学科,通过机器学习能够使计算机具有智能,通过各种经验数据来完善自身系统性能。因此机器学习在网络空间安全研究中的应用通常分为几个步骤:安全问题抽象、数据采集、数据预处理和安全特征提取、模型构建、模型验证和模型效果。整合应用步骤使相辅相成的。1)安全问题抽象。通过安全问题抽象能够将网络空间安全问题转化为机器学习能够处理的数据,安全问题抽象的正确性决定了机器学习对网络空间安全问题处理的成功性。所以首先机器学习在网络空间安全研究中的应用需要进行安全问题抽象和定义,将网络空间安全问题转化为机器学习能够处理的数据,然后能够为研究人员的数据采集提供参考。2)数据采集。机器学习是通过各种经验数据来完善自身系统性能,所以数据采集是机器学习在网络空间安全研究中的应用基础。在数据采集步骤主要是通过应用各种措施,例如日志收集工具等,来从网络系统的各层级来获得信息,完成数据采集。3)数据预...  (本文共2页) 阅读全文>>

《纳税》2019年24期
纳税

机器学习在经济学中的应用

大数据时代的迅猛发展,在全球范围内掀起了前所未有的浪潮。克拉克奖得主Susan Athey断言:我相信机器学习将在短期内对经济学领域产生巨大的影响。事实上,机器学习已经开始对经济学产生影响。目前机器学习方法在经济学中的应用主要包括两部分:预测与政策评估。目前我国对大数据机器学习方法在宏观经济领域的应用研究与国外相比还有较大差距。因此,探索大数据机器学习方法在我国宏观经济实时预测以及因果推断、政策评估中的应用,不仅具有重要的学术价值和应用价值,并且对实时预测我国整体经济运行状况、经济周期转折点的确定以及政府及时准确地选择宏观调控政策也具有重要意义。一、什么是机器学习(一)机器学习的含义人类的学习过程,是通过对经验的归纳总结,从而能够在面对新情况时做出有效的判断或决策。而机器学习研究如何通过计算机模拟或实现人类的学习行为,通过对经验(在计算机系统中以“数据”的形式存在)的利用来改善系统自身的性能。数据中反映事件或对象在某方面的表现或...  (本文共2页) 阅读全文>>

权威出处: 《纳税》2019年24期
《信息与电脑(理论版)》2018年24期
信息与电脑(理论版)

基于机器学习的智慧农业决策系统设计与实现

1背景1.1机器学习概述机器学习是人工智能研究的核心之一。将机器学习应用于现代农业生产,能够有效推动现代农业的发展,推进农业生产实现自动化和智能化,进而提高农业生产效率[1]。机器学习是让计算机模拟人的学习活动,获取新知识、不断改善性能和实现完善系统的智能方法。机器学习根据是否提前设置类标签,可以分为有监督学习、半监督学习和无监督学习[2]。常见的几种机器学习算法如下。1.1.1决策树(Decision Tree,DT)决策树是一种常见的归纳学习,能够从一组无规则的事例中推理出具体形式,常用于构建预测模型、设计分类器和分类未知数据等。决策树算法包括两个步骤。第一,利用训练样本数据创建决策树模型。第二,利用模型分类新数据。1.1.2人工神经网络(Artificial Neural Network,ANN)人工神经网络是一种模仿自然界神经网络的功能和结构,通过调内部大量人工神经元之间的相互权重,从而处理信息的数学模型。1.1.3支持...  (本文共2页) 阅读全文>>

《计算机科学》2019年03期
计算机科学

分布式机器学习平台与算法综述

1 引言分布式机器学习(Distributed Machine Learning)是机器学习当前最热门的研究领域之一,尤其是随着“大数据”概念的兴起,数据爆炸式增长,我们迎来了崭新的“big data[1] ”时代。大数据具有五大特征:大数据量(Volume)、多类型(Varie-ty)、低价值密度(Value)、高时效(Velocity)和数据在线(Online)。其中,数据在线是大数据区别于传统数据最显著的特征,这要求对数据进行实时处理。传统的机器学习注重在单机中处理数据的速度,而庞大的数据存储和计算在单机上是远远做不到的,且硬件支持的有限性使得在单机上做大数据处理显得十分吃力,将计算模型分布式地部署到多台、多类型机器上进行同时计算是必要的解决方式。分布式机器学习的目标是将具有庞大数据和计算量的任务分布式地部署到多台机器上,以提高数据计算的速度和可扩展性,减少任务的耗时。随着数据和计算量的不断攀升,数据处理不但要求实时性,而...  (本文共10页) 阅读全文>>

《清华金融评论》2019年04期
清华金融评论

机器学习在反洗钱领域的应用与发展

近年来,国际上普遍认可和明确支持大数据、机器学习等新技术在合规领域尤其是金融犯罪风险防控方面的应用。本文重点阐述了以机器学习为代表的新技术在反洗钱领域的应用价值及发展趋势。本文指出,机器学习已成为当前金融风控领域创新探索和方法研究的重要方向。全球范围内,机器学习、自然语言处理、知识图谱等智洗钱、反恐怖融资、国际制裁等合规领域,基于机器学习智能技术正在深刻改变着各行各业,而金融行业率先获益。近能模型的系统引擎已经逐步应用到风险评估、交易筛查、交年来,国际上普遍认可和明确支持大数据、机器学习等新技易监控等具体风险控制场景,并显示出了传统规则引擎无法术在合规领域尤其是金融犯罪风险防控方面的应用。2018达到的监测效率和有效性水平。年12月美国联邦储备委员会、联邦存款保险公司、财政部金融犯罪执法网络、货币监理署和国家信贷联盟署发表声明,反洗钱监测手段已进入新技术应用阶段鼓励银行业采用人工智能等新技术形式来防范金融犯罪威本文将从反洗钱风险...  (本文共5页) 阅读全文>>