機器學(xué)習(xí)作為人工智能的一種最重要的實現(xiàn)方式，其歷史可以追溯到20世紀50年代。
只不過，早期受制于計算機的算力，基本沒有什么能夠落地的實際應(yīng)用，更多的是各類算法的研究和發(fā)展。

之后，隨著硬件的飛速發(fā)展，終于迎來了人工智能的春天，各種機器學(xué)習(xí)的算法在我們的日常生活中得到了廣泛應(yīng)用（很多情況甚至我們都沒有感覺到）。
比如，小到各種的個性化推薦，語音控制，人臉識別等我們平時經(jīng)常接觸的應(yīng)用，
大的方面有醫(yī)療領(lǐng)域，機器學(xué)習(xí)的成果在這些領(lǐng)域幫助醫(yī)生進行疾病診斷、輔助手術(shù)和治療，以及提供個性化的健康管理方案；
還有交通領(lǐng)域，未來的自動駕駛會給我們的出行方式帶來革命性的變化。

此外，機器學(xué)習(xí)還滲透到很多其他的方方面面，這里不再一一列舉，
本文主要想討論的是機器學(xué)習(xí)在“小數(shù)據(jù)”上的應(yīng)用前景。

1. 什么是“小數(shù)據(jù)”

介紹“小數(shù)據(jù)”之前，先從大數(shù)據(jù)的概念談起。
如今，我們早已進入大數(shù)據(jù)時代，當(dāng)初大數(shù)據(jù)帶來的新奇之感早已不在，
大家對大數(shù)據(jù)概念的認知也日趨成熟，一致。

大數(shù)據(jù)的“大”不僅僅是指數(shù)據(jù)量的“多”，更多的是指數(shù)據(jù)的復(fù)雜。
這里的復(fù)雜是多方面的，包括：

1. 數(shù)據(jù)來源多樣：可以來自網(wǎng)絡(luò)爬取，來自自己的數(shù)據(jù)庫，或是實時的監(jiān)控等等
2. 數(shù)據(jù)的屬性多樣：不同來源的數(shù)據(jù)，包含的屬性也各式各樣（相同的屬性在不要的來源中也許名稱也不一樣）
3. 數(shù)據(jù)的格式多樣：除了文本格式，還有語音，圖片，視頻等等

與之相對，我們今天討論的“小數(shù)據(jù)”，一方面是數(shù)據(jù)量“少”，“少”到可以單機處理；
另一方面，數(shù)據(jù)簡單，也就是來源單一，屬性不多，格式固定。
舉例來說，圍繞我們個人的各種健康數(shù)據(jù)，消費數(shù)據(jù)就是“小數(shù)據(jù)”；
對某個特定企業(yè)來說，它的銷售數(shù)據(jù)，運營數(shù)據(jù)也是“小數(shù)據(jù)”；
還有，在科研上，針對某個領(lǐng)域的各類實驗數(shù)據(jù)其實也是“小數(shù)據(jù)”。

概括起來，“小數(shù)據(jù)”一般有下面三個特點：

1. 自用：主要來自自身的數(shù)據(jù)或者可公開采集的數(shù)據(jù)，不需要考慮隱私
2. 簡單：量小，這里的量小不是指只有幾百幾千條，而是指單機就能處理，不需要用到大數(shù)據(jù)平臺
3. 精準(zhǔn)：數(shù)據(jù)來源可靠，自己可控

2. “小數(shù)據(jù)”降低機器學(xué)習(xí)門檻

大數(shù)據(jù)讓機器學(xué)習(xí)在不知不覺中影響我們，在大數(shù)據(jù)時代，我們享受大廠通過機器學(xué)習(xí)訓(xùn)練出的模型帶來的便利。
而小數(shù)據(jù)則讓我們有機會親自去實踐機器學(xué)習(xí)，讓機器學(xué)習(xí)成為個人和小企業(yè)手上的稱手工具，而不只是大廠的專有權(quán)利。

“小數(shù)據(jù)”降低了機器學(xué)習(xí)的門檻，這里的門檻是我們實踐機器學(xué)習(xí)的門檻，不再迷信只有在大數(shù)據(jù)基礎(chǔ)上訓(xùn)練出來的模型才是可靠和精準(zhǔn)的模型。
也就是說，沒有海量的數(shù)據(jù)也無妨，沒有超高的算力也無妨，我們依然可以在自己的“小數(shù)據(jù)”上利用機器學(xué)習(xí)利用分析和決策。

“小數(shù)據(jù)”雖然量少，但是數(shù)據(jù)的精度和可靠性很高，訓(xùn)練出來的模型絕不是粗糙和低劣的。
挑兩個我自己的實際經(jīng)驗來舉例，一個是銷售數(shù)據(jù)分析的項目；一個是量化交易相關(guān)的項目。

銷售數(shù)據(jù)分析那個項目中，數(shù)據(jù)是客戶從數(shù)據(jù)庫中導(dǎo)出的，大約6千多萬條，數(shù)據(jù)主要就是訂單和物流兩類，
數(shù)據(jù)字段和結(jié)構(gòu)非常規(guī)整，符合“小數(shù)據(jù)”的特征。
在這個項目中，應(yīng)用機器學(xué)習(xí)，得到了比傳統(tǒng)分析更多的信息，比如：

1. 客戶的細分分類，使用決策樹、支持向量機（SVM）或樸素貝葉斯分類器等
2. 客戶群體的相似性：使用聚類算法，比如K-Means，層次聚類等
3. 產(chǎn)品之間隱含的關(guān)系：使用關(guān)聯(lián)規(guī)則算法
4. 預(yù)測銷售額或銷售量：使用回歸算法

此外，還使用了一些異常數(shù)據(jù)檢測的算法，用來分析銷售額的突然下降和高退貨率的情況。

另一個量化交易的項目，這個項目的數(shù)據(jù)結(jié)構(gòu)更加簡單，
基礎(chǔ)的數(shù)據(jù)其實就5個字段（交易時間，最高價，最低價，開盤價，收盤價，交易量），也就是K線圖上放映的內(nèi)容。
在這個簡單的數(shù)據(jù)結(jié)構(gòu)之上，可以構(gòu)建各式各樣的分析指標(biāo)，然后通過機器學(xué)習(xí)算法來驗證各種指標(biāo)或指標(biāo)組合的收益情況。

通過上面兩個實際的項目，可以看到，沒有用大數(shù)據(jù)和大數(shù)據(jù)平臺，機器學(xué)習(xí)依然對我們大有用處。
我剛開始了解機器學(xué)習(xí)之前，先去學(xué)了很多大數(shù)據(jù)相關(guān)的知識，還搭建了一些簡易的大數(shù)據(jù)平臺，去了解hadoop和spark之類的框架。
那時候，我覺得離開大數(shù)據(jù)，機器學(xué)習(xí)的模型只能當(dāng)成“玩具”，但是，接觸和管理大數(shù)據(jù)是有門檻的，別說個人，即使是中小型規(guī)模的企業(yè)，也沒有時間和精力去維護一個大數(shù)據(jù)平臺。

如今，經(jīng)歷了一些在“小數(shù)據(jù)”上的機器學(xué)習(xí)應(yīng)用，我已經(jīng)不再認為大數(shù)據(jù)和機器學(xué)習(xí)是密不可分的了。
離開大數(shù)據(jù)，機器學(xué)習(xí)應(yīng)用的門檻不再高不可攀，“小數(shù)據(jù)”可以讓更多的程序員加入到開發(fā)機器學(xué)習(xí)應(yīng)用的隊伍中來。

3. “小數(shù)據(jù)”機器學(xué)習(xí)的前景

之前學(xué)習(xí)大數(shù)據(jù)相關(guān)知識的時候，有一本書的作者提到，在大數(shù)據(jù)的項目中，數(shù)據(jù)的采集和清洗所占的工作量高達整個項目的80%以上。
在“小數(shù)據(jù)”項目中，這個工作量可以大大減少，我們可以把時間和精力更多的用在機器學(xué)習(xí)模型的調(diào)優(yōu)中，而不是單純的數(shù)據(jù)管理上。

未來，隨著各種智能設(shè)備越來越多，圍繞我們個人的各種數(shù)據(jù)也會越來越多，基于這些針對個人的極端個性化的數(shù)據(jù)，細致的去分析各種結(jié)果。就是“小數(shù)據(jù)”機器學(xué)習(xí)的應(yīng)用前景之一。

此外，隨著信息化越來越普及，企業(yè)中也會產(chǎn)生各種各樣分門別類的“小數(shù)據(jù)”，比如財務(wù)數(shù)據(jù)，客戶數(shù)據(jù)，市場數(shù)據(jù)，運營數(shù)據(jù)，銷售數(shù)據(jù)等等。這些也會成為“小數(shù)據(jù)”機器學(xué)習(xí)的應(yīng)用場景。

在科研中，各種實驗數(shù)據(jù)也是“小數(shù)據(jù)”，也可以通過機器學(xué)習(xí)來發(fā)掘這些數(shù)據(jù)中可能存在的創(chuàng)新契機。

總之，擺脫“機器學(xué)習(xí)模型必須要大數(shù)據(jù)支撐才能更精確”的固有思維，我們也許可以讓機器學(xué)習(xí)在“小數(shù)據(jù)”上再次大放異彩。

總結(jié)

以上是生活随笔為你收集整理的基于“小数据”的机器学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。