Tương lai của học máy và phân tích dự đoánLịch sử của trí tuệ nhân tạo cho chúng ta thấy rằng đã có sự phát triển dần dần và tiến hóa trong các khía cạnh đặc biệt của khoa học tính toán làm nền tảng cho các công nghệ phổ biến trong học máy. Hầu hết các công nghệ bao gồm các phương thức được xác định bởi cái gọi là trí thông minh tính toán, bao gồm mạng lưới thần kinh, thuật toán tiến hóa và hệ thống mờ. Các chủ đề khai thác dữ liệu cũng trở nên quan trọng hơn, do sự tăng trưởng nhanh chóng về số lượng dữ liệu hiện có (Dữ liệu lớn), kết hợp với việc phải đối mặt với những thách thức tương tự gặp phải trong IoT (Internet of Things). Câu hỏi bây giờ là: Làm thế nào máy tính có thể được tạo ra để làm những gì cần phải làm mà không cần ai quy định nó nên được thực hiện như thế nào? Ngày nay, hầu hết các công ty lớn cung cấp dịch vụ trên Internet đều cung cấp các khung học máy. Một số trong số chúng cho phép chúng ta sử dụng các công cụ học máy trong đám mây. Tùy chọn này chủ yếu được cung cấp bởi những người chơi lớn như Microsoft Azure ML, Amazon Machine Learning, IBM Bluemix và Google Prediction API, chỉ nêu tên cho một số ít.Các thuật toán học máy rút ra mức độ trừu tượng cao, phức tạp như biểu diễn dữ liệu bằng một quá trình học tập phân cấp. Trừu tượng phức tạp được học ở một mức nhất định dựa trên các trừu tượng tương đối đơn giản được xây dựng ở cấp độ trước trong hệ thống phân cấp. Học sâu là một phần nhỏ của học máy, và thậm chí có thể được mô tả như là một sự phát triển xa hơn nữa của học máy. Trong khi các thuật toán học máy truyền thống dựa vào các nhóm mô hình vững chắc để nhận biết và phân loại, các thuật toán học sâu phát triển và tạo ra các cấp mô hình mới, một cách độc lập, của riêng chúng trong các mạng thần kinh. Các mô hình mới không cần phải được phát triển và triển khai thủ công cho từng bộ dữ liệu mới có các cấu trúc khác nhau, như trường hợp của các thuật toán học máy cổ điển; hầu hết đều tự động.Giới thiệuWorld Wide Web cung cấp vô số cơ hội cho bất kỳ ai muốn chia sẻ quan điểm của họ với nhiều đối tượng, hoặc có nhận xét về các sản phẩm, phim, v.v., đặc biệt thông qua các nền tảng truyền thông xã hội như Twitter và Facebook.Vì lợi nhuận các công ty mong muốn tìm kiếm để tối đa hóa thị phần của họ - nếu không trở thành người dẫn đầu thị trường - họ phụ thuộc vào mức độ hài lòng cao của khách hàng và do đó sẽ cố gắng thực hiện càng nhiều mong muốn của khách hàng càng tốt, để lưu giữ khách hàng cũ và lôi cuốn khách hàng mới.Các công ty rất muốn sử dụng tốt bất kỳ thông tin nào họ có thể thu thập từ phương tiện truyền thông xã hội để đạt được mục tiêu này. Đánh giá ý kiến mà người tiêu dùng chia sẻ tự nguyện trên Internet có thể được đối chiếu và phân tích để đưa ra kết luận về sở thích của khách hàng và xác định các cải tiến sản phẩm tiềm năng. Nhờ các hệ thống thông tin như phân tích tình cảm, sự giàu có của thông tin có thể được chuyển dịch thành kiến thức có thể sử dụng một cách hiệu quả. Thách thức nằm ở việc thu thập dữ liệu chính xác và áp dụng phương pháp phân tích hiệu quả.Bài viết này nhằm cung cấp cái nhìn sâu sắc về sự bí ẩn của trí tuệ nhân tạo - không còn giới hạn trong khoa học viễn tưởng - và để minh họa một số ứng dụng hữu ích cho các công ty tập trung vào người tiêu dùng, cũng như một cái nhìn ngắn gọn về tương lai của học máy.Phân loại - Học máy và khai thác dữ liệuNgoài học máy và khai thác dữ liệu, còn có một số thuật ngữ khác cần được định nghĩa ở đây. Khai thác dữ liệu đề cập đến một quá trình nhận dạng mẫu trong dữ liệu có cấu trúc hiện có. Quá trình này có thể được thực hiện tự động với sự trợ giúp của học máy hoặc bán tự động bằng cách áp dụng các phương pháp thống kê.Trong khi khai thác dữ liệu từ dữ liệu có cấu trúc tương đối dễ dàng và được lưu trữ trong cơ sở dữ liệu, lượng dữ liệu khổng lồ mà chúng ta muốn phân tích từ web phần lớn không có cấu trúc. Hơn 80% dữ liệu này ở dạng văn bản và không có cấu trúc. Nhiệm vụ khai thác văn bản bao gồm thu thập dữ liệu và xử lý tr