机器学习几乎无处不在，机器即便我们没有专程调用它们，学习它们也经常出现在大数据应用之中。已成我曾经在博客中描述了一些典型的数据石大数据使用案例。换句话说，机器这些应用都能够在“极端情况下”提供***的学习结果。在结尾部分，已成我还提到了拍字节级数据容量、数据石实时数据速度和/或多结构数据多样性的机器结合。

当时我还列出了一个应用列表，学习在收集过程中刻意避开了“机器学习分析”。已成主要原因是数据石，尽管在这些使用案例中机器学习即便不是机器主要的，也是学习一个常用的工具，但是已成它们自身并不是一个使用案例。换句话说，它们不是一个凭借自身力量而形成的特殊应用域。出于同样的原因，我也没有像大数据使用案例那样列出模式设计、元数据管理或数据整合。但与机器学习一样，免费源码下载它们也都为实现大数据分析应用的价值做出了自己的贡献。

机器学习对大数据应用投资回报的贡献主要体现在两个方面：一是促进数据科学家们的多产性；二是发现一些被忽视的方案，有些方案甚至遭到了***的数据科学家们的忽视。这些价值来自于机器学习的核心功能：即让分析算法无需人类干预和显式程序即可对***数据进行学习。解决方案允许数据科学家们根据典型数据集创建一个模型，然后利用算法自动概括和学习这些范例和新的数据源。

许多情况下，机器学习是大数据创新的***投资回报。对机器学习的投资能够深化任何对企业定制的大数据案例。这是因为机器学习算法在容量、速度和类型（即大数据的3个V特性）中正变得日益高效。正如Mark van Rijmenam在近期有关机器学习的文章中所说的那样：“处理的数据越多，这种算法就越能体现出优势。免费信息发布网”他认为，包括语音与面部识别、点击流处理、搜索引擎优化、推荐引擎在内，许多机器学习应用可能被描述为意会分析法（sense-making analytics）。

意会分析法需要对从数据流中推断出来的用户语义方式、内容和重要性进行持续监控。为了支持意会的自动化，机器学习算法必须要经常性地处理一些极为复杂的东西。这其中包括组成对象或环境中隐藏的语义分类，这需要通过多种不同的数据流实时收集整体含义。这些数据流必须包括不同的对象，例如数据、视频、图像、语音、表情、动作、地理信息和浏览器点击等元素。通过机器学习从这些数据流中自动提取出来的含义，可能会混合有认知、情感、感觉和意志特征。

为了在这些素材当中找到线索，“深入学习”（deep learning）成为了大数据科学家的WordPress模板机器学习指令系统中的一个重要工具。正如van Rijmenam所说的那样，利用神经网络开展的深入学习有助于从这些数据流中提取感知能力，因为这些数据流可能涉及组成对象之间语义关系的层次结构安排。“深入学习能够打破数据中具有不同特点的组成成分之间的隔阂，利用这些特点从中找出不同的特征组合，从而搞清楚它们看到了什么或者是正在做什么。”van Rijmenam说。

显然，对于创建能够感知和处理动态分布式方案的环境来说，机器学习一个基础性工具。人类对实时威胁和恐怖主义活动、自然灾难、飓风等其他威胁的侦测与应对能力，取决于对海量数据中的信息进行自动筛选、分类和关联。如果没有这种能力，那么人类就有被“淹死”在大数据海洋之中的危险。

36大数据知识图谱：关于机器学习

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。