【正文】 生的機器學(xué)習(xí)新趨勢在整個機器學(xué)習(xí)的發(fā)展歷程中，一直有兩大研究方向。第3章 大數(shù)據(jù)時代下的機器學(xué)習(xí) 大數(shù)據(jù)將成為各類機構(gòu)和組織，乃至國家層面重要的戰(zhàn)略資源。隨著產(chǎn)業(yè)界數(shù)據(jù)量的爆炸式增長，數(shù)據(jù)以前所未有的速度積累，大數(shù)據(jù)(Bigdata)概念受到越來越多的關(guān)注。然而隨著大數(shù)據(jù)“越來越大”的發(fā)展趨勢，我們在分析和處理的過程中感覺到的困難也愈加的多了。例如學(xué)習(xí)與問題求解結(jié)合進(jìn)行、知識表達(dá)便于學(xué)習(xí)的觀點產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。許多情況下，機器學(xué)習(xí)是大數(shù)據(jù)創(chuàng)新的最佳投資回報。另外，在大數(shù)據(jù)時代，隨著數(shù)據(jù)產(chǎn)生速度的持續(xù)加快，數(shù)據(jù)的體量有了前所未有的增長，而需要分析的新的數(shù)據(jù)種類也在不斷涌現(xiàn)，如文本的理解、文本情感的分析、圖像的檢索和理解、圖形和網(wǎng)絡(luò)數(shù)據(jù)的分析等，機器學(xué)習(xí)研究領(lǐng)域涌現(xiàn)了很多新的研究方向，很多新的機器學(xué)習(xí)方法被提出并得到了廣泛應(yīng)用。這些由機器學(xué)習(xí)技術(shù)支持的日志數(shù)據(jù)分析方案可謂自動化處理的最理想場景，因為此類方案會自主選擇匹配程度較高的處理模式并進(jìn)行優(yōu)先級排序，從而在無法人為提供培訓(xùn)數(shù)據(jù)集的前提下完成既定任務(wù)。當(dāng)前全球和我國大數(shù)據(jù)都呈現(xiàn)了井噴式爆發(fā)性增長，大數(shù)據(jù)已經(jīng)滲透到各個行業(yè)和業(yè)務(wù)職能領(lǐng)域，成為重要的生產(chǎn)因素，大數(shù)據(jù)的演進(jìn)與生產(chǎn)力的提高有著直接的關(guān)系。機器學(xué)習(xí)是繼專家系統(tǒng)后人工智能應(yīng)用的又一重要研究領(lǐng)域，也是人工智能和神經(jīng)計算的核心研究課題之一。這個時候我們想到了機器學(xué)習(xí)。類比學(xué)習(xí)與問題求解結(jié)合的基于案例方法已成為經(jīng)驗學(xué)習(xí)的重要方向。對機器學(xué)習(xí)的投資能夠深化任何對企業(yè)定制的大數(shù)據(jù)案例。第5章 結(jié)束語大數(shù)據(jù)具有屬性稀疏、超高維、高噪聲、數(shù)據(jù)漂移、關(guān)系復(fù)雜等特點,導(dǎo)致傳統(tǒng)機器學(xué)習(xí)算法難以有效處理和分析。如果日志數(shù)據(jù)模式無法以預(yù)告方式作出精確定義，那么非監(jiān)督性強化學(xué)習(xí)機制可能更為適合。另外，越來越多的設(shè)備包括傳感器，持續(xù)記錄觀察的數(shù)據(jù)可以作為訓(xùn)練數(shù)據(jù)，這樣的數(shù)據(jù)集可以輕易地達(dá)到幾百TB。研究大數(shù)據(jù)環(huán)境下的機器學(xué)習(xí)算法成為學(xué)術(shù)界和產(chǎn)業(yè)界共同關(guān)注的話題。機器學(xué)習(xí)幾乎無處不在，即便我們沒有專程調(diào)用它們，