什么是机器学习？
机器学习（ML）是一组用于从数据中进行预测和决策的工具。监督学习占据了机器学习的主要部分，使我们能够将既有数据中的模式泛化到新数据。换言之，它利用先前具有已知取值的数据，在未知目标取值时进行预测。在解决业务问题的场景中，机器学习也常被称为预测分析，其用例包括客户流失、信用卡欺诈和电子邮件垃圾识别。
机器学习任务通过可用数据来完成，这些数据源自经验或指令，从而带来更好的学习效果。最终目标是将学习改进到无需人工干预即可自动完成的程度。
“机器学习是一门科学与艺术，旨在让计算机具备从数据中学习并做出决策的能力，而无需显式编程。”——Hugo Bowne-Anderson 博士，DataCamp 数据科学家与教育者
机器学习为何对企业至关重要
O’Reilly 于 2018 年的研究发现，51% 的组织已经在使用机器学习，其中 36% 称自己是早期采用者，15% 称自己是成熟用户。另有 49% 的组织表示正处于探索或“仅了解”部署机器学习的阶段。
从数据中学习，助力更佳经营
几乎每家企业都拥有大量数据，从支付交易到客户信息再到员工数据，都可以（也应该）被战略性地加以利用。如今的领先公司正在将机器学习融入日常流程，从驱动增长、优化效率，到识别资本节约空间并降低投资成本。
机器学习带来更快速的决策路径
决策者比以往任何时候都更需要快速获取关键数据，机器学习支持快速、知情且准确的决策。机器学习的一大优势在于帮助更快地做出有根据的决策，已有 50% 实施了机器学习的公司认为他们达成了这一目标。
管理者为何需要具备机器学习基础素养
管理者应理解机器学习的基本术语与概念。要与数据科学家高效沟通，他们必须清楚机器学习是什么、能做什么，以及在使用时需要注意什么。
具备机器学习素养能帮助管理者提出正确的问题，明确哪些问题可以、哪些问题不适合用机器学习解决。他们还需要能够与数据服务与产品供应商沟通，以构建成功的数据生态体系。
机器学习如何解决业务问题
以下是机器学习解决业务问题的一些实用示例，并附有可用于提升相关技能的 DataCamp 课程链接。
预测客户流失
机器学习可以帮助企业理解获客与留存的不同成本，并计算客户终身价值，即客户在发生流失前所产生的平均收入。
为客户实现产品个性化
希望更好理解并服务于客户多样化习惯与需求的公司，可以运用机器学习进行客户细分与个性化。
处理与分析海量数据
面向自然语言处理的机器学习有着广泛影响，并能让人机交互更具“人味”。这也是 AI 驱动聊天机器人的核心。企业还可通过文本挖掘与图像处理与识别从非结构化数据中提炼可操作洞察。应用范围涵盖垃圾邮件检测、推荐系统构建等诸多方向。
开展金融分析
金融行业运用深度学习来处理从欺诈行为分类到算法交易与投资组合管理，以及贷款审批等各类任务。
金融行业正在广泛采用机器学习。对冲基金 Two Sigma 用它来制定交易策略。我们的某家保险客户也在 DataCamp 上推动机器学习课程，以推进其数据现代化举措。
打造更优秀的技术产品与服务
科技行业利用机器学习来构建产品与服务。他们为客户提供营销个性化、推荐引擎、文本翻译、聊天机器人等方案。
在医疗健康领域应用 AI 与机器学习
医疗健康行业正不断发展，将机器学习融入医学影像与诊断、数据采集、药物研发等诸多方面。
对机器学习科学家的需求不断增长
那么，机器学习领域增长了多少？国际数据公司预测，AI 与机器学习方面的支出将从 2017 年的 120 亿美元增长至 2021 年的 576 亿美元。德勤全球预测，2018 年机器学习试点与落地项目的数量将较 2017 年翻倍，并在 2020 年再次翻倍。
由于众多组织都在投资预测分析，对机器学习科学家的巨大需求也就顺理成章。而且，一个组织在实施机器学习与人工智能方面越成熟，开放的岗位就越多。对机器学习科学家的需求正在上升，且在可预见的未来可能会持续高位运行。
用我们的机器学习路径为您的团队提升技能
想要进一步学习，请查看我们关于Python与R的机器学习教程。
什么是机器学习？
机器学习（ML）是一组用于从数据中进行预测和决策的工具。监督学习占据了机器学习的主要部分，使我们能够将既有数据中的模式泛化到新数据。换言之，它利用先前具有已知取值的数据，在未知目标取值时进行预测。在解决业务问题的场景中，机器学习也常被称为预测分析，其用例包括客户流失、信用卡欺诈和电子邮件垃圾识别。
机器学习任务通过可用数据来完成，这些数据源自经验或指令，从而带来更好的学习效果。最终目标是将学习改进到无需人工干预即可自动完成的程度。
机器学习为何对企业至关重要
O’Reilly 于 2018 年的研究发现，51% 的组织已经在使用机器学习，其中 36% 称自己是早期采用者，15% 称自己是成熟用户。另有 49% 的组织表示正处于探索或“仅了解”部署机器学习的阶段。
从数据中学习，助力更佳经营
对数据洞察需求的不断增长
几乎每家企业都拥有大量数据，从支付交易到客户信息再到员工数据，都可以（也应该）被战略性地加以利用。如今的领先公司正在将机器学习融入日常流程，从驱动增长、优化效率，到识别资本节约空间并降低投资成本。
机器学习带来更快速的决策路径
决策者比以往任何时候都更需要快速获取关键数据，机器学习支持快速、知情且准确的决策。机器学习的一大优势在于帮助更快地做出有根据的决策，已有 50% 实施了机器学习的公司认为他们达成了这一目标。
管理者为何需要具备机器学习基础素养
管理者应理解机器学习的基本术语与概念。要与数据科学家高效沟通，他们必须清楚机器学习是什么、能做什么，以及在使用时需要注意什么。
具备机器学习素养能帮助管理者提出正确的问题，明确哪些问题可以、哪些问题不适合用机器学习解决。他们还需要能够与数据服务与产品供应商沟通，以构建成功的数据生态体系。
机器学习如何解决业务问题
以下是机器学习解决业务问题的一些实用示例，并附有可用于提升相关技能的 DataCamp 课程链接。
预测客户流失
机器学习可以帮助企业理解获客与留存的不同成本，并计算客户终身价值，即客户在发生流失前所产生的平均收入。
为客户实现产品个性化
希望更好理解并服务于客户多样化习惯与需求的公司，可以运用机器学习进行客户细分与个性化。
处理与分析海量数据
面向自然语言处理的机器学习有着广泛影响，并能让人机交互更具“人味”。这也是 AI 驱动聊天机器人的核心。企业还可通过文本挖掘与图像处理与识别从非结构化数据中提炼可操作洞察。应用范围涵盖垃圾邮件检测、推荐系统构建等诸多方向。
开展金融分析
金融行业运用深度学习来处理从欺诈行为分类到算法交易与投资组合管理，以及贷款审批等各类任务。
金融行业正在广泛采用机器学习。对冲基金 Two Sigma 用它来制定交易策略。我们的某家保险客户也在 DataCamp 上推动机器学习课程，以推进其数据现代化举措。
打造更优秀的技术产品与服务
科技行业利用机器学习来构建产品与服务。他们为客户提供营销个性化、推荐引擎、文本翻译、聊天机器人等方案。
在医疗健康领域应用 AI 与机器学习
医疗健康行业正不断发展，将机器学习融入医学影像与诊断、数据采集、药物研发等诸多方面。
对机器学习科学家的需求不断增长
那么，机器学习领域增长了多少？国际数据公司预测，AI 与机器学习方面的支出将从 2017 年的 120 亿美元增长至 2021 年的 576 亿美元。德勤全球预测，2018 年机器学习试点与落地项目的数量将较 2017 年翻倍，并在 2020 年再次翻倍。
由于众多组织都在投资预测分析，对机器学习科学家的巨大需求也就顺理成章。而且，一个组织在实施机器学习与人工智能方面越成熟，开放的岗位就越多。对机器学习科学家的需求正在上升，且在可预见的未来可能会持续高位运行。
用我们的机器学习路径为您的团队提升技能
想要进一步学习，请查看我们关于Python与R的机器学习教程。