甚麼是機器學習？

機器學習讓機構了解其數據及從數據中學習。商業機構可以在很多不同範疇應用此技術，包括改善營銷、提供搜尋功能、整合語音指令至產品或是建造自動駕駛汽車等。

在今天的商業社會，機器學習已經被應用於不同領域，而這些應用也會隨時間而增加及改善。機器學習的分支領域包括社交媒體及產品建議、影像辨識、健康診斷、語言翻譯、話音識別及數據發掘等。

社交媒體平台如 Facebook、Instagram 或 LinkedIn 都在利用人工智能，根據您讚好的貼文來建議追蹤某些專頁或群組。它會參考歷史數據，看其他人讚好的貼文，或是根據與您讚好貼文相類似的貼文來作出建議，或將之推送給您。

同樣地，電子商貿平台也會應用機器學習來分析用戶的購買及搜尋紀錄，與及其他用戶的類似行為來為您作產品建議。

今時今日，機器學習的另一個主要用途是影像辨識。社交媒體平台已利用機器學習建議用戶在照片中標記某些人物，而警察也利用這科技在照片及影片中搜尋嫌疑犯，因為現時在機場、商店甚至住宅門口安裝的大量錄像鏡頭已令干犯法律的犯罪份子無所遁形。

健康診斷也在利用機器學習作好用途。例如在心臟病發作後，醫生可回溯之前被忽略的警告訊號。醫生或醫院使用的系統可以輸入過去的醫療記錄，並學習查找輸入數據（行為、測試結果及癥狀）和結果（心臟病發作）間的聯繫。在日後醫生輸入筆記及測試結果的時候，系統就可以比人類更可靠地察覺心臟病發作的癥狀，讓病人及醫生採取行動防止病發。

在網站及流動應用程式作語言翻譯是機器學習的另一用途，而不同應用程式使用的機器學習模式、技巧及演算法都影響它們的表現。

在日常生活中，銀行及信用卡都在使用機器學習 來快速偵測欺詐跡象。這運作換成人手偵查可能需要更長的時間，甚至可能偵測不到。在檢查及標記大量交易（是否欺詐）後，機器學習可以學到在日後的每一宗交易中察覺欺詐行為。這運作透過數據發掘來取得更佳成效。

數據發掘

數據發掘是機器學習的一種，利用分析大數據來作出預測及辨認其規律。雖然這名稱有些誤導，因為它無須深入您的根源數據來尋找有用的數據。事實上，這程序只包括發現數據的規律，以協助將來的決策。

以信用卡公司為例，假如您擁有信用卡，您有可能會收到銀行通知說您的信用卡發生了可疑行為。到底銀行為何能這麼快速的察覺這些行為並幾乎馬上發出警示？ 這就是持續數據發掘支援的欺詐防護的成果。在 2020 年初，單在美國已發出超過 1 萬 1 千億張信用卡。這些信用卡的交易產生了大量數據可作發掘、搜尋規律及學習之用，以辨識日後的可疑交易。

深層學習（Deep Learning）

基於神經網絡，深層學習是一個特別種類的機器學習。神經網絡模擬人類腦部神經細胞的決策或了解事物功能，例如一個六歲孩童在見到一個臉容時，可以在瞬間透過腦部分析其頭髮顏色、臉部特徵、疤痕及其他表徵決定這人是否他的母親。機器學習透過深層學習複製這個功能。

神經網絡有三至五個層面：輸入層、一至三個隱蔽層、與及一個輸出層。隱蔽層作出的決定將逐一透過輸出層作出。頭髮是甚麼顏色？ 眼睛是甚麼顏色？ 是否有疤痕？ 由於這些層面可以增至數以百計，因此它被稱為深層學習。