如今，認(rèn)知學(xué)習(xí)的應(yīng)用比以往更為普遍。通常意義上講，認(rèn)知學(xué)習(xí)與認(rèn)知計算就是涉及AI技術(shù)與信號處理的操作過程或技術(shù)平臺。

AI是刺激商業(yè)發(fā)展的一顆新星，取代了以往的資本和勞動力的投入。它同樣可以發(fā)揮潛力，產(chǎn)生新生勢力，通過改變?nèi)藗兊墓ぷ鞣绞?、提升人的角色地位來促進商業(yè)的發(fā)展。并且越來越多的領(lǐng)域也正為AI所折服，因為它可以很好地處理數(shù)據(jù)、尋找數(shù)據(jù)模式并以驚人的速度學(xué)習(xí)識別各種行為。

任何AI中的基礎(chǔ)學(xué)習(xí)過程——機器學(xué)習(xí)，都體現(xiàn)著機器在數(shù)據(jù)流中穿梭識別模式與邏輯系統(tǒng)的能力。這一過程可以通過輔助或非輔助計算來完成，當(dāng)然大多數(shù)場合下會優(yōu)先采用后者。

其實一臺機器的學(xué)習(xí)能力與預(yù)測分析能力是大同小異的，在討論輔助性機器學(xué)習(xí)（數(shù)據(jù)流中有預(yù)先設(shè)定好的數(shù)據(jù)模式）的同時，也就是在討論預(yù)測分析的另一種形式。

那兩者的區(qū)別到底是什么呢？相似點又是什么？兩個術(shù)語能互相交換嗎？

機器學(xué)習(xí)的基本操作VS預(yù)測分析

上文也提到過，機器學(xué)習(xí)就是計算機自主積累知識來學(xué)習(xí)并模仿人類行為的一項科學(xué)技術(shù)。機器通過觀察并與真實世界建立聯(lián)系來獲取數(shù)據(jù)與信息，以輔助性和非輔助性的方式對數(shù)據(jù)流進行處理。

輔助機器學(xué)習(xí)會運行提前設(shè)定好的模式，調(diào)用庫中的行為以及人為輸入的數(shù)據(jù)，以便機器更精準(zhǔn)地學(xué)習(xí)。而非輔助性機器學(xué)習(xí)則完全依賴于機器去識別這些模式，然后在數(shù)據(jù)流中分辨各種行為。

預(yù)測分析在許多方面都與輔助性機器學(xué)習(xí)相似，這就是為什么AI領(lǐng)域的專家一直將預(yù)測分析視為機器學(xué)習(xí)的分支。換句話說，不是所有的預(yù)測分析和預(yù)測分析模型都可以歸類為機器學(xué)習(xí)。

因為預(yù)測分析會使用歷史數(shù)據(jù)做描述性分析。該過程會基于歷史數(shù)據(jù)，采用之前預(yù)測分析過程中已設(shè)定的參數(shù)，計算分析額外的數(shù)據(jù)流。大多數(shù)情況下分析依據(jù)的規(guī)則和模式都會保持一致。所以跟機器學(xué)習(xí)相比，預(yù)測分析偏靜態(tài)，且適應(yīng)性較低。

模式識別的差異

通過上述描述，不難看出機器學(xué)習(xí)與預(yù)測分析的主要區(qū)別在于：預(yù)測分析依靠提前設(shè)定好的模式，但難以適應(yīng)新的數(shù)據(jù)流;而機器學(xué)習(xí)則更加智能化，它會根據(jù)遇到的數(shù)據(jù)流來調(diào)整模式和參數(shù)。

此外，二者運用的模型也不同。預(yù)測分析中會用到諸如數(shù)據(jù)組處理器和主流分類器這樣的模型;機器學(xué)習(xí)會更高級一些，用到貝葉斯網(wǎng)絡(luò)和深化學(xué)習(xí)。

還有，二者模型和參數(shù)的更新途徑也不一樣。對于預(yù)測分析，任何分析模型或參數(shù)的改變都需要經(jīng)手?jǐn)?shù)據(jù)科學(xué)家。沒有人為輸入，就不會出現(xiàn)分析模型面對數(shù)據(jù)流時的隨機應(yīng)變。但機器學(xué)習(xí)可以自動更新模型。

還有一點值得大家注意，就是二者針對的點不同。預(yù)測分析更多側(cè)重于用例。由于參數(shù)和模式是人為錄入到分析模型中的，所以特定的預(yù)測分析過程用例是數(shù)據(jù)科學(xué)家來確定的。機器學(xué)習(xí)則完全由數(shù)據(jù)驅(qū)動，因此數(shù)據(jù)流的變化會影響到AI對其的分析。

優(yōu)缺點

很難說兩者誰更勝一籌。雖然整體而言，機器學(xué)習(xí)的技術(shù)更先進，也更靈活，但要想創(chuàng)建精準(zhǔn)的統(tǒng)計模型，就必須保證精確的數(shù)據(jù)。倘若數(shù)據(jù)不符合標(biāo)準(zhǔn)，那AI識別任何模式或行為時也會有偏差。

預(yù)測分析更適合處理數(shù)據(jù)流，因為要求的特定參數(shù)，特別是那些分析參數(shù)都可以由數(shù)據(jù)科學(xué)家設(shè)定。在預(yù)測分析的過程中，為了確保分析結(jié)果的準(zhǔn)確性，需要調(diào)到大量的歷史數(shù)據(jù)。分析模型會深入了解過去的模式和趨勢，作為分析的基礎(chǔ)。

另一方面，幾乎所有預(yù)測分析模型都可以當(dāng)即生效。一旦歷史數(shù)據(jù)和分析參數(shù)準(zhǔn)備就緒，分析模型就可以根據(jù)情況作出相應(yīng)調(diào)整，處理新的數(shù)據(jù)流。唯一麻煩的是預(yù)測分析模型不能在數(shù)據(jù)流中隨機應(yīng)變。

在分析步驟執(zhí)行之前，機器學(xué)習(xí)還要經(jīng)過一個較長的過程。畢竟在計算中，對AI的要求是能夠了解不同的數(shù)據(jù)流并能準(zhǔn)確識別出其中的模式，從而精準(zhǔn)處理新數(shù)據(jù)，得出可靠的結(jié)果。這個學(xué)習(xí)過程就是二者的最大區(qū)別。

正如讀者所見，兩個方法在許多方面都有不同，但有些方面卻高度相似。不過可以放心地說，預(yù)測分析可以算得上是機器學(xué)習(xí)過程中的一部分，但不代表所有的預(yù)測分析都可以歸類為機器學(xué)習(xí)。