机器学习和人工智能是目前科技界最大的话题之一，谷歌正在通过全新的Google人工智能学习网站让更多人能够更容易地使用这些领域。

很多拥有计算机科学、统计学、工程学、经济学背景的人会疑惑，我怎样才能开始数据科学? 我如何建立自己的技能和知识，才能把数据科学作为职业呢? 　　所以今天这篇文章希望帮助到那些试图转型的人，使他们的经历中拥有数据科学技能、知识库存的标签。

递归神经网络是最先进的顺序数据算法之一，在苹果Siri和Google语音搜索中都使用到的算法。这是因为它是第一个记忆它的输入的算法，由于内部存储器，这使得它非常适合涉及顺序数据的机器学习问题。它是过去几年Deep Learning的惊人成就背后的算法之一。在这篇文章中，你将学习递归神经网络如何工作的基本概念，最大的问题是什么以及如何解决它们。

我们比较了Gartner 2018年数据科学魔力象限，机器学习平台与其2017版本，提到这个报告，Gartner一直不断更改它的名称(并且暗示市场部分)，2018年2月23日发布的最新2018年版本被称为“数据科学和机器学习平台的魔力象限”。 2017年它的名称为“数据科学平台MQ”，2014-2016年为“高级分析平台MQ”。这一名称的变化反映了行业在内容和能力方面的快速变化。以及反映人工智能和机器学习成长的不断演变的品牌。

大雾一直笼罩在人工智能前面，科技巨头和CEO们之间由此产生的争论不断，这是由于人工智能方面的不确定性及其在科技行业的不断增长造成。或者说，这是由于人工智能的使用可能造成的即将发生的变化的不确定性所致。

在本文中，我们将讨论两种最常被误解的技术，区块链和人工智能如何增强数据处理能力。 　　作为一种新兴技术的区块链，有可能渗透到每个行业。区块链技术的分散系统与当今使用的固有集中式操作系统相对立。它采用分散式数据库体系架构，某些操作的记录和身份验证则取决于多方的协议，而不是单一的权限。 　　与其他集中式技术相比，区块链技术使操作更安全、更快速、更透明。

在这一点上，毫无疑问，任何组织都可以通过将机器学习应用到他们的业务流程中来利用机器学习。机器学习的重要性取决于它如何应用以及你试图用它来解决什么样的问题。结果还取决于数据科学家和软件工程师的经验以及技术的采用。

在科技领域，每十年似乎都有它的一个技术专业术语诞生：20世纪80年代我们有了个人电脑; 20世纪90年代有了互联网和全球网络智能手机和社交媒体;在2000年代有了人工智能(AI)和机器学习。 1950 - 82年代出现了人工智能(AI)诞生，在这个新领域，许多开创性研究正在完成，同时大规模的炒作也被创造出来，但最终以失败而告终。

在人工智能这样的时代，机器学习、自然语言处理(NLP)和认知搜索技术正在以高速率被采用的事情已经不足为奇。随着组织努力创造价值、增强客户体验、遵守严格的规定并使得自己与竞争对手区分开，他们也逐渐对知识型员工提出了其他非同寻常的要求。通常，他们需要的数据和知识是孤立的、分割的和断裂的。因此，很难在正确的时间显示正确的信息并发现数据中的复杂模式。

人工智能是计算机科学(或科学)的一个分支，它是处理智能系统的创建。而智能系统就是像人类一样拥有智能的系统。 　　人工智能科学其实并不新鲜，这个术语在古希腊和埃及的手稿中已经提到。希腊人相信上帝赫菲斯托斯，也被称为铁匠之神，根据希腊神话中的赫菲斯托斯为所有上帝制造智能武器，在他们看来，人工智能的目标是：有助于人们实现某个目标，能够自动运行并提前编程以根据情况以不同的方式作出反应。

胶囊网络(CapsNets)是一个热门的新型神经网络体系结构，可能对深度学习，特别是计算机视觉，有深远的影响。等等，计算机视觉的基本问题已经解决了吗?我们不是所有人都能看到卷积神经网络(CNNs)在各种计算机视觉任务(如分类、定位、物体检测、语义分割或实例分割等复杂的神经网络(CNNs)达到超人类水平的惊人例子了么(见图1)?

K. Daron Acemoglu是麻省理工学院的经济学教授，是人工智能，机器人，自动化和新技术对劳动力市场影响的领先思想者。他的创新工作使得人们思考这些技术如何与工作世界相交织的方式。 2005年，他获得了约翰·贝茨·克拉克奖章，这是诺贝尔经济学奖获得者和知名人士的荣誉。

人工智能早期的形式越来越受到企业数字化运营和降低成本的企业的青睐，但它仍然处于起步阶段，虽然大多数组织正在探索技术的好处，但实际上实施它的人通常还在执行方面苦苦挣扎。在全球人工智能市场前沿的基础上，德勤人工智能智能专业技术中心(AICE)为人工智能提供了十大经验教训。

聚类是一种涉及数据点分组的机器学习技术。给定一组数据点，我们可以使用聚类算法将每个数据点分类到一个特定的组中。理论上，属于同一组的数据点应具有相似的属性和特征，而不同组中的数据点应具有高度不同的属性和特征。聚类是无监督学习的一种方法，是在许多领域使用统计数据分析的常用技术。

大家都很清楚，一个企业提出多么响亮的口号都不重要，重要的是，这个口号、战略，它落实的如何，对于广大的消费者来说，看得见摸得着的产品才是王道。在人工智能突然爆红的今天，不知道有大大小小的多少公司都打出了人工智能的条幅，想蹭点流量，那么，谁是真正的“智能”，谁又是伪智能呢？ 　　

当前的情况，人工智能行业似乎炙手可热，消费者的需求量也很大，投资者也对此有很大的兴趣。可以看到，风险投资机构在AI创业公司的投资从2014年的32亿美元增加到2017年的前五个月就超过95亿美元。人工智能的发展前景无数，包括医疗、农业和等等其他领域的应用。

机器学习算法可以通过从例子中推广来弄清楚如何执行重要的任务。在手动编程的情况下，这通常是可行且成本有效。随着更多的数据变得可用，可以解决更多雄心勃勃的问题。因此，机器学习被广泛应用于计算机等领域。然而，开发成功的机器学习应用程序需要大量难以在教科书中找到的“黑色艺术”。

作为Google Brain深度学习项目的创始人和Coursera的联合创始人，吴恩达在2014年成为百度首席科学家时，成为了机器学习界最知名的人物之一。他于2017年初离开百度，迅速推出了推出了新的AI项目，包括Deeplearning.ai和Landing.ai，这是一个旨在将AI带入制造企业的项目。事实证明，他真正在做的是他的AI基金（当然，这不是真正的传统意义上的基金）。

数据科学已经被应用于现代工作场所的许多问题中。由于更快的计算和更便宜的存储，我们已经能够预测和计算之前可能要花费人工几个小时来处理的结果。保险索赔分析师现在可以利用算法来帮助检测欺诈行为，零售商可以更好地定制你的在线和店内体验，这一切都要归功于数据科学。我们结合了几个现实生活项目的例子，以及其他一些团队的其他一些想法。

　　我们都知道，卷积神经网络（CNN）是令人着迷和强大的工具，也许这正是深度学习如此受欢迎的原因之一，因为Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年发表了“深度卷积网络的ImageNet分类” CNN的计算机视觉可以在许多任务中赢取胜利，但是CNN真的完美无瑕吗？那是我们能做的最好的？我猜从标题里你会认为这答案是否定的。