机器学习是人工智能的一个子类别，它能有效地自动处理分析建模过程，使计算机能够独立适应新场景。

也许有一天，人工神经网络会复杂到足以复制人类的认知过程。无论您对这种想法是否感兴趣，机器学习都有不可否认的实际优势，比如：

智能化大数据管理 – 人类和其他环境要素与技术的相互作用产生了海量而多样化的数据，如果没有机器学习的速度和精密性，则无法处理这些数据并从中挖掘洞见。

智能设备 – 从追踪健康状况与健身目标的可穿戴设备到自动驾驶汽车，再到其基础设施可自动节约时间和降低能耗的“智慧城市”，物联网 (IoT) 前景远大，而机器学习有助于从迅猛增长的数据中获取洞见。

丰富消费者体验 – 机器学习支持通过搜索引擎、Web 应用以及其他技术来定制符合用户偏好的结果和建议，为消费者打造轻松愉快的个性化体验。

机器学习如何运作？

机器学习极为复杂，其运作方式因任务和完成任务所用的算法而异。然而，就其核心而言，机器学习模型就是使用一台计算机来观察数据并从中识别模式，然后利用这些洞见来更好地完成所分配的任务。任何依赖一组数据点或规则来完成的任务均可以利用机器学习实现自动化，回复客户服务电话和审查简历等更为复杂的任务也不例外。

机器学习算法的运作或多或少都会涉及人工干预/强化，具体视情况而定。四种主要的机器学习模型分别为有监督学习、无监督学习、半监督学习以及强化学习。

在有监督学习中，计算机拥有一个标记数据集，并据此学习如何完成一项人类任务。这是最简单的模型，因为它试图复制人类的学习过程。

在无监督学习中，计算机拥有的是未标记数据，需要从中提取此前未知的模式/洞见。机器学习算法可通过多种不同的方式实现这一目的，包括：

聚类分析：计算机在一个数据集内查找相似的数据点，并对其进行相应分组（创建“群集”）。

密度估计：计算机通过观察数据集的分布情况来挖掘洞见。

异常检测：计算机在数据集中识别与其他数据明显不同的数据点。

主成分分析 (PCA)：计算机对数据集进行分析和总结，以便进行准确预测。

在半监督学习中，计算机拥有一组部分标记的数据，并利用标记数据执行任务，同时借此了解用于解读未标记数据的参数。

在强化学习中，计算机会先观察环境，然后根据相应数据来确定可实现风险最小化和/或回报最大化的理想行为。这是一种迭代式方法，需要某种强化信号来帮助计算机更好地判定最佳行为。

深度学习与机器学习有何关联？

机器学习是一种广义的算法，能够处理数据集并从中识别模式、发掘洞见和/或进行预测。深度学习是机器学习的一个特殊分支，继承了 ML 的功能并实现了超越。

一般而言，机器学习会涉及一些人员的参与，其中工程师会审查算法的结果，并根据其准确性加以调整。深度学习并不依赖人工审查。深度学习算法使用自己的神经网络来检查结果的准确性，然后从中学习。

深度学习算法的神经网络与人脑结构类似，是一种分层的算法结构。神经网络能够在没有工程师提供反馈的情况下，随着时间的推移学会如何更好地完成一项任务。

神经网络开发的两大主要阶段是训练和推理。训练是初始阶段，其中深度学习算法将收到一个数据集，并负责解读数据集代表的内容。然后，工程师向神经网络提供有关解读准确性的反馈，以便进行相应调整。这一过程可能会有多次迭代。推理是指在神经网络部署完毕后，用其处理之前从未见过的数据集并对数据所代表的内容进行准确预测。

MLops 如何在企业应用中发挥机器学习的优势

机器学习像一剂催化剂，有助于打造强大、灵活且恢复能力强的企业。明智的组织选择 ML 来实现自上而下的增长，并提高员工生产力和客户满意度。

很多企业在几个 ML 用例中取得了成功，但这一旅程才刚刚开始。试水 ML 只是第一步，接下来还需要将 ML 模型整合到业务应用和流程中，以便在整个企业范围内进行扩展。

许多组织缺乏所需的技能、流程和工具，难以完成这一企业层级的整合。为了成功地大规模实施 ML，公司需要考虑 MLOps 方面的投入，其中包括简化和标准化 ML 生命周期每个阶段（从模型开发到实施）所需的流程、工具和技术。MLOps 的新兴应用领域旨在提升 ML 生命周期的敏捷性和速度。这与 DevOps 在软件开发生命周期中的用途相似。

要从 ML 实验推进到 ML 实施，企业离不开强大的 MLOps 流程。MLOps 不仅可以为组织带来竞争优势，还使其能够实施其他机器学习用例。这还会带来其他益处，包括培养技能更强的专业人才、打造更利于协作的环境、提升盈利能力、优化客户体验，以及实现收入增长。  

企业如何应用机器学习

在各个垂直行业，ML 技术都得到了成功部署，为组织带来了实实在在的成果。

例如，在金融服务领域，使用可以总览大量相互关联指标的 ML 预测模型，银行可以更好地了解和满足客户需求。ML 预测模型还可用于发现和限制风险。银行可以识别网络威胁、跟踪和记录客户欺诈行为，并更好地预测新产品的风险。ML 在银行业的前三大用例为欺诈检测和减轻、个人理财顾问服务，以及信用评分和贷款分析。

在制造业，公司积极拥抱自动化技术，现已开始对设备和流程进行监测。他们使用 ML 建模来重新组织和优化生产，这样既能响应当前的业务需求，又能为未来可能出现的变化做好准备。最终的结果便是使制造过程既敏捷又富有灵活性。ML 在制造业的前三大用例为提高产量、分析根本原因，以及管理供应链和库存。  

HPE 机器学习解决方案从企业跨越到边缘

HPE 可提供机器学习解决方案来帮助您理清错综复杂的问题并打造从核心企业数据中心到智能边缘的端到端解决方案。

HPE Apollo Gen10 系统提供了企业深度学习与机器学习平台，配有行业领先的加速器，可提供卓越的性能，从而全面提升智能技术的速度。

HPE Ezmeral 软件平台旨在帮助企业加速整个组织的数字化转型。借助此平台，企业能够提高敏捷性和效率、获取深刻洞见并实现业务创新。完整的产品组合涵盖了人工智能、机器学习和数据分析，以及容器编排和管理、成本控制、IT 自动化、AI 驱动型运维以及安全防护。

HPE Ezmeral ML Ops 软件解决方案可扩展 HPE Ezmeral Container Platform 的功能，以此为整个机器学习生命周期提供支持，并实施 DevOps 般的流程来规范机器学习工作流程。

为了帮助企业快速突破 ML 概念验证阶段的瓶颈并进行正式运行阶段，HPE Pointnext Advisory and Professional Services 提供了交付 ML 项目所需的专业知识和服务。HPE Pointnext 专家拥有全球范围内成百上千个研讨会和项目的交付经验，因此他们的技能和专业知识可加速项目部署，将用时从数年缩短为几个月，甚至几周。

机器学习是人工智能的一个子类别，它能有效地自动处理分析建模过程，使计算机能够独立适应新场景。

也许有一天，人工神经网络会复杂到足以复制人类的认知过程。无论您对这种想法是否感兴趣，机器学习都有不可否认的实际优势，比如：

智能化大数据管理 – 人类和其他环境要素与技术的相互作用产生了海量而多样化的数据，如果没有机器学习的速度和精密性，则无法处理这些数据并从中挖掘洞见。

智能设备 – 从追踪健康状况与健身目标的可穿戴设备到自动驾驶汽车，再到其基础设施可自动节约时间和降低能耗的“智慧城市”，物联网 (IoT) 前景远大，而机器学习有助于从迅猛增长的数据中获取洞见。

丰富消费者体验 – 机器学习支持通过搜索引擎、Web 应用以及其他技术来定制符合用户偏好的结果和建议，为消费者打造轻松愉快的个性化体验。

机器学习如何运作？

机器学习极为复杂，其运作方式因任务和完成任务所用的算法而异。然而，就其核心而言，机器学习模型就是使用一台计算机来观察数据并从中识别模式，然后利用这些洞见来更好地完成所分配的任务。任何依赖一组数据点或规则来完成的任务均可以利用机器学习实现自动化，回复客户服务电话和审查简历等更为复杂的任务也不例外。

机器学习算法的运作或多或少都会涉及人工干预/强化，具体视情况而定。四种主要的机器学习模型分别为有监督学习、无监督学习、半监督学习以及强化学习。

在有监督学习中，计算机拥有一个标记数据集，并据此学习如何完成一项人类任务。这是最简单的模型，因为它试图复制人类的学习过程。

在无监督学习中，计算机拥有的是未标记数据，需要从中提取此前未知的模式/洞见。机器学习算法可通过多种不同的方式实现这一目的，包括：

聚类分析：计算机在一个数据集内查找相似的数据点，并对其进行相应分组（创建“群集”）。

密度估计：计算机通过观察数据集的分布情况来挖掘洞见。

异常检测：计算机在数据集中识别与其他数据明显不同的数据点。

主成分分析 (PCA)：计算机对数据集进行分析和总结，以便进行准确预测。

在半监督学习中，计算机拥有一组部分标记的数据，并利用标记数据执行任务，同时借此了解用于解读未标记数据的参数。

在强化学习中，计算机会先观察环境，然后根据相应数据来确定可实现风险最小化和/或回报最大化的理想行为。这是一种迭代式方法，需要某种强化信号来帮助计算机更好地判定最佳行为。

深度学习与机器学习有何关联？

机器学习是一种广义的算法，能够处理数据集并从中识别模式、发掘洞见和/或进行预测。深度学习是机器学习的一个特殊分支，继承了 ML 的功能并实现了超越。

一般而言，机器学习会涉及一些人员的参与，其中工程师会审查算法的结果，并根据其准确性加以调整。深度学习并不依赖人工审查。深度学习算法使用自己的神经网络来检查结果的准确性，然后从中学习。

深度学习算法的神经网络与人脑结构类似，是一种分层的算法结构。神经网络能够在没有工程师提供反馈的情况下，随着时间的推移学会如何更好地完成一项任务。

神经网络开发的两大主要阶段是训练和推理。训练是初始阶段，其中深度学习算法将收到一个数据集，并负责解读数据集代表的内容。然后，工程师向神经网络提供有关解读准确性的反馈，以便进行相应调整。这一过程可能会有多次迭代。推理是指在神经网络部署完毕后，用其处理之前从未见过的数据集并对数据所代表的内容进行准确预测。

MLops 如何在企业应用中发挥机器学习的优势

机器学习像一剂催化剂，有助于打造强大、灵活且恢复能力强的企业。明智的组织选择 ML 来实现自上而下的增长，并提高员工生产力和客户满意度。

很多企业在几个 ML 用例中取得了成功，但这一旅程才刚刚开始。试水 ML 只是第一步，接下来还需要将 ML 模型整合到业务应用和流程中，以便在整个企业范围内进行扩展。

许多组织缺乏所需的技能、流程和工具，难以完成这一企业层级的整合。为了成功地大规模实施 ML，公司需要考虑 MLOps 方面的投入，其中包括简化和标准化 ML 生命周期每个阶段（从模型开发到实施）所需的流程、工具和技术。MLOps 的新兴应用领域旨在提升 ML 生命周期的敏捷性和速度。这与 DevOps 在软件开发生命周期中的用途相似。

要从 ML 实验推进到 ML 实施，企业离不开强大的 MLOps 流程。MLOps 不仅可以为组织带来竞争优势，还使其能够实施其他机器学习用例。这还会带来其他益处，包括培养技能更强的专业人才、打造更利于协作的环境、提升盈利能力、优化客户体验，以及实现收入增长。  

企业如何应用机器学习

在各个垂直行业，ML 技术都得到了成功部署，为组织带来了实实在在的成果。

例如，在金融服务领域，使用可以总览大量相互关联指标的 ML 预测模型，银行可以更好地了解和满足客户需求。ML 预测模型还可用于发现和限制风险。银行可以识别网络威胁、跟踪和记录客户欺诈行为，并更好地预测新产品的风险。ML 在银行业的前三大用例为欺诈检测和减轻、个人理财顾问服务，以及信用评分和贷款分析。

在制造业，公司积极拥抱自动化技术，现已开始对设备和流程进行监测。他们使用 ML 建模来重新组织和优化生产，这样既能响应当前的业务需求，又能为未来可能出现的变化做好准备。最终的结果便是使制造过程既敏捷又富有灵活性。ML 在制造业的前三大用例为提高产量、分析根本原因，以及管理供应链和库存。  

HPE 机器学习解决方案从企业跨越到边缘

HPE 可提供机器学习解决方案来帮助您理清错综复杂的问题并打造从核心企业数据中心到智能边缘的端到端解决方案。

HPE Apollo Gen10 系统提供了企业深度学习与机器学习平台，配有行业领先的加速器，可提供卓越的性能，从而全面提升智能技术的速度。

HPE Ezmeral 软件平台旨在帮助企业加速整个组织的数字化转型。借助此平台，企业能够提高敏捷性和效率、获取深刻洞见并实现业务创新。完整的产品组合涵盖了人工智能、机器学习和数据分析，以及容器编排和管理、成本控制、IT 自动化、AI 驱动型运维以及安全防护。

HPE Ezmeral ML Ops 软件解决方案可扩展 HPE Ezmeral Container Platform 的功能，以此为整个机器学习生命周期提供支持，并实施 DevOps 般的流程来规范机器学习工作流程。

为了帮助企业快速突破 ML 概念验证阶段的瓶颈并进行正式运行阶段，HPE Pointnext Advisory and Professional Services 提供了交付 ML 项目所需的专业知识和服务。HPE Pointnext 专家拥有全球范围内成百上千个研讨会和项目的交付经验，因此他们的技能和专业知识可加速项目部署，将用时从数年缩短为几个月，甚至几周。

机器学习是人工智能的一个子类别，它能有效地自动处理分析建模过程，使计算机能够独立适应新场景。

也许有一天，人工神经网络会复杂到足以复制人类的认知过程。无论您对这种想法是否感兴趣，机器学习都有不可否认的实际优势，比如：

智能化大数据管理 – 人类和其他环境要素与技术的相互作用产生了海量而多样化的数据，如果没有机器学习的速度和精密性，则无法处理这些数据并从中挖掘洞见。

智能设备 – 从追踪健康状况与健身目标的可穿戴设备到自动驾驶汽车，再到其基础设施可自动节约时间和降低能耗的“智慧城市”，物联网 (IoT) 前景远大，而机器学习有助于从迅猛增长的数据中获取洞见。

丰富消费者体验 – 机器学习支持通过搜索引擎、Web 应用以及其他技术来定制符合用户偏好的结果和建议，为消费者打造轻松愉快的个性化体验。

机器学习如何运作？

机器学习极为复杂，其运作方式因任务和完成任务所用的算法而异。然而，就其核心而言，机器学习模型就是使用一台计算机来观察数据并从中识别模式，然后利用这些洞见来更好地完成所分配的任务。任何依赖一组数据点或规则来完成的任务均可以利用机器学习实现自动化，回复客户服务电话和审查简历等更为复杂的任务也不例外。

机器学习算法的运作或多或少都会涉及人工干预/强化，具体视情况而定。四种主要的机器学习模型分别为有监督学习、无监督学习、半监督学习以及强化学习。

在有监督学习中，计算机拥有一个标记数据集，并据此学习如何完成一项人类任务。这是最简单的模型，因为它试图复制人类的学习过程。

在无监督学习中，计算机拥有的是未标记数据，需要从中提取此前未知的模式/洞见。机器学习算法可通过多种不同的方式实现这一目的，包括：

聚类分析：计算机在一个数据集内查找相似的数据点，并对其进行相应分组（创建“群集”）。

密度估计：计算机通过观察数据集的分布情况来挖掘洞见。

异常检测：计算机在数据集中识别与其他数据明显不同的数据点。

主成分分析 (PCA)：计算机对数据集进行分析和总结，以便进行准确预测。

在半监督学习中，计算机拥有一组部分标记的数据，并利用标记数据执行任务，同时借此了解用于解读未标记数据的参数。

在强化学习中，计算机会先观察环境，然后根据相应数据来确定可实现风险最小化和/或回报最大化的理想行为。这是一种迭代式方法，需要某种强化信号来帮助计算机更好地判定最佳行为。

深度学习与机器学习有何关联？

机器学习是一种广义的算法，能够处理数据集并从中识别模式、发掘洞见和/或进行预测。深度学习是机器学习的一个特殊分支，继承了 ML 的功能并实现了超越。

一般而言，机器学习会涉及一些人员的参与，其中工程师会审查算法的结果，并根据其准确性加以调整。深度学习并不依赖人工审查。深度学习算法使用自己的神经网络来检查结果的准确性，然后从中学习。

深度学习算法的神经网络与人脑结构类似，是一种分层的算法结构。神经网络能够在没有工程师提供反馈的情况下，随着时间的推移学会如何更好地完成一项任务。

神经网络开发的两大主要阶段是训练和推理。训练是初始阶段，其中深度学习算法将收到一个数据集，并负责解读数据集代表的内容。然后，工程师向神经网络提供有关解读准确性的反馈，以便进行相应调整。这一过程可能会有多次迭代。推理是指在神经网络部署完毕后，用其处理之前从未见过的数据集并对数据所代表的内容进行准确预测。

MLops 如何在企业应用中发挥机器学习的优势

机器学习像一剂催化剂，有助于打造强大、灵活且恢复能力强的企业。明智的组织选择 ML 来实现自上而下的增长，并提高员工生产力和客户满意度。

很多企业在几个 ML 用例中取得了成功，但这一旅程才刚刚开始。试水 ML 只是第一步，接下来还需要将 ML 模型整合到业务应用和流程中，以便在整个企业范围内进行扩展。

许多组织缺乏所需的技能、流程和工具，难以完成这一企业层级的整合。为了成功地大规模实施 ML，公司需要考虑 MLOps 方面的投入，其中包括简化和标准化 ML 生命周期每个阶段（从模型开发到实施）所需的流程、工具和技术。MLOps 的新兴应用领域旨在提升 ML 生命周期的敏捷性和速度。这与 DevOps 在软件开发生命周期中的用途相似。

要从 ML 实验推进到 ML 实施，企业离不开强大的 MLOps 流程。MLOps 不仅可以为组织带来竞争优势，还使其能够实施其他机器学习用例。这还会带来其他益处，包括培养技能更强的专业人才、打造更利于协作的环境、提升盈利能力、优化客户体验，以及实现收入增长。  

企业如何应用机器学习

在各个垂直行业，ML 技术都得到了成功部署，为组织带来了实实在在的成果。

例如，在金融服务领域，使用可以总览大量相互关联指标的 ML 预测模型，银行可以更好地了解和满足客户需求。ML 预测模型还可用于发现和限制风险。银行可以识别网络威胁、跟踪和记录客户欺诈行为，并更好地预测新产品的风险。ML 在银行业的前三大用例为欺诈检测和减轻、个人理财顾问服务，以及信用评分和贷款分析。

在制造业，公司积极拥抱自动化技术，现已开始对设备和流程进行监测。他们使用 ML 建模来重新组织和优化生产，这样既能响应当前的业务需求，又能为未来可能出现的变化做好准备。最终的结果便是使制造过程既敏捷又富有灵活性。ML 在制造业的前三大用例为提高产量、分析根本原因，以及管理供应链和库存。  

HPE 机器学习解决方案从企业跨越到边缘

HPE 可提供机器学习解决方案来帮助您理清错综复杂的问题并打造从核心企业数据中心到智能边缘的端到端解决方案。

HPE Apollo Gen10 系统提供了企业深度学习与机器学习平台，配有行业领先的加速器，可提供卓越的性能，从而全面提升智能技术的速度。

HPE Ezmeral 软件平台旨在帮助企业加速整个组织的数字化转型。借助此平台，企业能够提高敏捷性和效率、获取深刻洞见并实现业务创新。完整的产品组合涵盖了人工智能、机器学习和数据分析，以及容器编排和管理、成本控制、IT 自动化、AI 驱动型运维以及安全防护。

HPE Ezmeral ML Ops 软件解决方案可扩展 HPE Ezmeral Container Platform 的功能，以此为整个机器学习生命周期提供支持，并实施 DevOps 般的流程来规范机器学习工作流程。

为了帮助企业快速突破 ML 概念验证阶段的瓶颈并进行正式运行阶段，HPE Pointnext Advisory and Professional Services 提供了交付 ML 项目所需的专业知识和服务。HPE Pointnext 专家拥有全球范围内成百上千个研讨会和项目的交付经验，因此他们的技能和专业知识可加速项目部署，将用时从数年缩短为几个月，甚至几周。