本文科普了机器学习方面的知识，简单介绍了机器学习可以做什么，以及如何做的。以下是译文。

计算机应该为人类解决问题。传统的方法是“编写”所需的程序，换句话说，就是我们教电脑问题解决的算法。该算法详细描述了解决问题的过程，就像食谱一样。很多任务都可以用算法来描述。例如，在小学里，我们学习了数字加法算法。当涉及到要快速、完美地运行这种算法时，计算机比人类更胜任这个工作。

然而，这个问题解决的过程是有局限性的。我们如何识别一张猫的照片呢?这个看起来很简单的任务却难以用一种算法来描述。让我们稍等片刻，仔细想想。即使是简单的说明(如“有四条腿”或“有两只眼睛”)也有其缺点，因为这些特点可能会被隐藏，或照片可能只显示了猫的一部分。如果我们遇到识别腿或眼睛的任务时，那与识别猫一样的困难。

这正是机器学习展现其实力的地方。计算机不需要开发算法来解决问题，而是使用示例来学习算法本身。我们用样本来训练计算机。对于识别猫这个例子，我们需要使用大量的标注了猫的照片来训练系统(监督学习)。通过这种方式，算法会发生进化，继而成熟，并最终能够识别出陌生图片上的猫。

事实上，在这种情况下，计算机通常不会学习经典程序，甚至都不会学习模型中的参数，例如网络中的边缘权重。

在这种情况下，被称为深度学习的人工神经网络学习方法得到了巨大的成功。深度学习是一种特殊的机器学习，反过来又是人工智能的一门学科，是计算机科学研究的主要分支。

许多与练习有关的问题更倾向于属于“识别猫”这个类别，而不是“数字加法”，因此，很难用人类编写的算法来解决这些问题。这些问题通常是在某些数据中识别模式，例如识别图像中的对象、语言中的文本或交易数据中的欺诈行为。

虽然机器学习的原理并不新鲜，但目前深受大众的追捧。这主要有三个原因：首先，用于应用和训练的大量数据的可用性(“大数据”)；其次，我们现在拥有巨大的计算能力，特别是在云端;第三，一系列的开源项目使得每个人或多或少会使用一些算法。

机器学习不能代替传统编程，而是对传统编程的补充。它提供了一些工具，使得我们能够解决迄今为止难以甚至不可能解决的很多类问题。总而言之，这些给我们带来了新的机会，而现有的系统也越来越多地被改造并加入了机器学习功能。

遵循某种模式的重复操作就是一个典型的例子。假设有一个计算机程序，你可以通过点击一系列复杂的菜单来使用它的一百个功能，但你每天只主动地使用其中的某些功能。

在每个领域都可以找到更多的例子：针对个别学生(特别是“大型开放式在线课程”，即MOOC)定制学习教材、疾病的早期诊断、在线营销目标群体、客户流失、自动识别数据质量问题，或通过约会服务匹配用户个人信息。

由于Spark拥有很多先进的工具，它(集成在Hadoop中)已经在机器学习领域成为领先的大数据框架。 Talend也正向着这个目标发展，并且通过建模能够抽象出一个更高的层次。建模可以降低复杂度，同时还会弱化与发展迅速并且门槛较高的基础技术之间的依赖关系。

只有少数专家需要真正了解机器学习方面的算法细节。但是，如果每个人都能理解机器学习相关概念的话也是有好处的，比如知道机器学习是从示例中学习模式，并且能够应用到新的数据集上。最终，机器学习扩大了机器可以解决问题的类别，从而实现自动化：具体来说就是通过决策来实现。一方面，我们可以通过自动化的决策，将机器学习应用在我们的业务或圈子中。另一方面，我们自己本身就是一个数据源，其他的机器可以对我们进行分析并优化他们自己的业务。

总而言之，我想给大家留下这样一幅画面：计算机现在不仅能够遵循明确的指令，还可以通过例子进行学习。根据要解决的问题的不同，某个方法可能比另外一个更合适。然而，当这两个方法以某种方式结合起来使用的话，最终能为自动化带来更多的机会。