初探 IBM 机器学习
今天简单介绍一下IBM的机器学习方案。 “在人工智能界有一种说法，认为机器学习是人工智能领域中最能够体现智能的一个分支。从历史上看，机器学习似乎也是人工智能中发展最快的分支之一” -- 摘自陆汝钤院士写给周志华《机器学习》一书的序言 书中同时也提到了早期的机器学习的技术是符号学习，90年代后统计机器学习是主流的方法，算法基于的是样本独立同分布的假设，但在千变万化的自然界无独立分布的条件就局限了它的能力。近年来大热的深度学习算法，在理论和技术上无重大创新，是强劲计算性能加大数据训练得到的更精细的结果。 我们先不探讨学界的理论发展，聚焦于现有的工程工具：符号学习、统计机器学习的工具是什么？在周志华《机器学习》一书中第11页提到的“从样例中学习”的符号主义学习代表为“决策树”和基于逻辑的学习；90年代的早期“从样例中学习”的主流是基于神经网络的连接主义学习；90年代中期开始流行的“统计学习”，代表技术是支持向量机（Support Vector Machine）；然后最近大热的连接主义学习代表“深度学习”又卷土重来...... 然而看完这段简史，对比我们以前的文章《值得收藏的IBM SPSS Modeler 算法简介》《IBM SPSS Modeler 18.0新版本强劲推出》，你是否发现其实这些工具一直都在身边？既然前面提到了目前大数据和分布式计算的出现可以更精细的解决问题，因此SPSS的工具包也要发展和进化，它必须能包罗最新发展的算法，例如迅猛发展的R包《天气数据垂手可得－IBM SPSS Modeler 18.0扩展应用实操练习》；它必须能扩展支持分布式算法，《SPSS + BigInsights 共同构架大数据分析平台》《SPSS + Spark-----为您的数据挖掘预测分析加速》 有兴趣了解SPSS了吧？试用一下吧，下载链接如下：http://www.ibm.com/analytics/cn/zh/technology/spss/spss-trials.html 除此外，数据驱动决策！目前看到的一个趋势是在数字化转型的今天，越来越多的企业开始设立首席数据执行官（CDO）以及数据分析科学家的角色。他（她）们的职责是需要带领一个团队去完成数据的收集、存储、传输以及分析的任务，里面涉及的组织、协同、流程、技术实现以及生产部署在目前的单一工具集上是遇到极大的瓶颈的。在最新发布的IBM商业价值研究院的《掌握数据科学的艺术》中提到了数据科学家可以发挥的作用： 数据科学家除了需要了解业务的挑战，定义分析方案，自动执行或优化流程外，更最要的部分在于数据科学家需要通过协同更广泛的数据科学家团队来发掘创新以及洞察，优化他们所创造的价值： 但是现实在海量数据的情况下，事实上数据分析的工作并非想象中的那么优美： 基于以上的观点，我们再回头看看在一个数据分析环节里面需要的人员组成： 答案呼之而出！我们必须在一个集成、协同的环境中去实现数据分析，在这个基础上我们部署机器学习的工具才能发挥最大的功效！ IBM应对这个趋势的解决方案就是《IBM Data Science Experience Enterprise 正式发布》《IBM Data Science Experience - 数据科学家实验室》 从这里出发，可以作为使用IBM机器学习的一个入口。用户可以和他们熟悉的R、Python、Spark工具一起使用： 在这个云端，IBM的机器学习名称是IBM Watson Machine Learning，它基于Apache Spark 2.0 Machine Learning开发，目标是使得用户在图形化界面去设计机器学习的流程，简化开发、部署算法模型的复杂性。我们也可以很方便地将原来基于SPSS设计的数据挖掘流程部署上去： 最终在这个云化的环境中实现数据准备、选择算法运行、可视化展现、分享模型以及部署实施！ 另外一个切入IBM机器学习的路径是开发人员可以将机器学习与其应用进行紧密的集成，在IBM Bluemix上部署机器学习应用，并且快速将其与应用逻辑进行整合。在样例程序中，提供了四个场景进行快速学习和实验： 详细的开发文档可以参考这个链接 https://console.ng./docs/services/PredictiveModeling/index.html IBM目前已发布可以部署在z主机上的Machine Learning产品包，在不久将来发布可以支持在更多平台部署运行的IBM机器学习产品，我们也拭目以待。 IBM大数据与分析(IBMBDA)
|
|
|
