機器學習的應用:自從計算機被發明以來，語言學家和計算機學家一直試圖使它們識別語音和文本。

計算機以連貫、邏輯的方式實現書面語言或語音的這種方法稱為自然語言處理(NLP)。然而，在過去的幾十年里，機器學習在很大程度上已經超越了規則系統，這要歸功于從支持向量機到隱馬爾可夫模型，再到最近的深度學習。

蘋果的Siri、亞馬遜的Alexa和谷歌的雙功能都嚴重依賴深度學習來識別語音或文本，代表著這一重要領域的前沿。

下一個廣泛使用機器學習的領域是圖像處理。當羅森布拉特在1958年首次實現他的神經網絡時，他用狗和貓的圖像對其進行測試。

從那時起，人工智能研究人員就一直癡迷于這個話題。由于大部分時間都花在了設計算法上，這些算法可以利用早期計算機有限的處理能力檢測圖像中預先指定的形狀，比如邊緣和多面體。

然而，多虧了現代硬件，計算機視覺領域現在被深度學習所主導。當特斯拉在自動駕駛模式下安全駕駛時，或者當谷歌新的增強現實顯微鏡實時檢測到癌癥時，這都是因為一種深度學習算法。

機器學習的最終領域:機器學習最重要的最后一個領域是機器人。是什么讓我們自己的智慧如此強大，不僅僅是我們能夠理解世界，而是我們可以與之互動。

機器人也是如此。能夠識別視覺和聲音的電腦是一回事;那些能夠學會識別一個物體并決定如何操作它的人完全是另外一回事。

可以想象，語音識別是一個困難的挑戰，而觸摸和運動控制是更難掌握的技能。盡管計算機具有強大的處理能力，但在像撿起一件襯衫這樣簡單的事情上，它仍然表現得非常糟糕。

對于機器人來說，撿起一件襯衫并不是容易的事，因為它涉及到幾個同時進行的任務。首先，你需要將襯衫識別為襯衫。然后你需要估計它有多重，它的質量是如何分布的，它的表面有多少摩擦力。在這些猜測的基礎上，你將需要估計在哪里抓住襯衫，以及在你抓住襯衫的每一點施加多大的力，這項任務變得更具挑戰，因為襯衫的形狀和質量分布會在你舉起它的時候發生變化。

人類毫不猶豫地輕而易舉地做到了這一點，但對于計算機來說，這些計算中的任何一種不確定性綜合了所有這些因素，使之成為一項極其困難的任務。

雖然機器學習的應用差異很大，但是我們應該了解它已經對工業和我們的生活產生了深刻的影響。