Machine Learning

机器学习是人工智能的一个分支，旨在构建无需人工干预即可从数据中学习的计算机系统。这些强大的技术注重创建复杂的分析模型，并'训练'模型来识别特定数据集中的模式，然后发布模型以将这些模式应用于越来越多的数据，从而在无需进一步指导的情况下稳定地提高性能。

例如，利用机器学习，可以不断提高图像识别算法的准确度。人类程序员提供相对较小的一组已标记图像（例如标记为'汽车'或'非汽车'），然后让算法处理要从中学习的数量大得多的图像。尽管机器学习中常用的迭代算法不是新方法，但是当今计算系统的强大功能使这种数据分析方法比以往更快起效且更有效。 ‎

机器学习在某种程度上是一个混合领域，存在于计算机科学、数据科学以及算法和数学理论的交汇处。在计算机科学方面，机器学习工程师和该领域的其他专业人员通常需要具备较强的软件工程技能 - 从娴熟的编程和编码等基础能力到全面了解系统设计原理都包括在内。

熟悉数据科学概念也很重要（尤其是数据建模和评估方面的技能），以确保算法表现优异，并且其准确度随着时间的推移变得更高而不是更低。此外，由于机器学习在很大程度上依赖于算法以及作为算法基础的统计学和概率论原理，因此扎实的数学理论背景也可能非常有用。 ‎

随着越来越多的公司力求运用这些技术和人工智能 (AI) 来自动执行更多的流程，机器学习技能可以打开广阔就业前景的大门。一些公司可能会专门聘请机器学习工程师，但是机器学习技能对于数据科学家、数据分析师和数据工程师也可能很重要。

机器学习专家也可以担任更专业的角色。金融业中的许多公司可能会聘用商业智能分析师和决策科学家，他们可以运用机器学习技能让系统自动提供市场见解。如果公司要建立依赖语音识别或其他人工输入的物联网 (IoT)，则可能会聘用自然语言处理工程师或以人为本的机器学习设计师。 ‎

在线机器学习课程为提高您的知识水平或学习新的机器学习技能提供了一种方便灵活的方式。 由顶尖大学和行业领导者提供的机器学习课程种类繁多，适合不同技能水平的学员选择。 ‎

有适合初学者的课程可供选择，而且不要求事先编程，但熟悉 Python 会有所帮助。您可以通过数据科学和 AI 的概率基础以及数据科学基础等课程来加强自己的基础：Statistical Inference 专项课程。‎