机器学习的应用:自从计算机被发明以来，语言学家和计算机学家一直试图使它们识别语音和文本。

计算机以连贯、逻辑的方式实现书面语言或语音的这种方法称为自然语言处理(NLP)。然而，在过去的几十年里，机器学习在很大程度上已经超越了规则系统，这要归功于从支持向量机到隐马尔可夫模型，再到最近的深度学习。

苹果的Siri、亚马逊的Alexa和谷歌的双功能都严重依赖深度学习来识别语音或文本，代表着这一重要领域的前沿。

下一个广泛使用机器学习的领域是图像处理。当罗森布拉特在1958年首次实现他的神经网络时，他用狗和猫的图像对其进行测试。

从那时起，人工智能研究人员就一直痴迷于这个话题。由于大部分时间都花在了设计算法上，这些算法可以利用早期计算机有限的处理能力检测图像中预先指定的形状，比如边缘和多面体。

然而，多亏了现代硬件，计算机视觉领域现在被深度学习所主导。当特斯拉在自动驾驶模式下安全驾驶时，或者当谷歌新的增强现实显微镜实时检测到癌症时，这都是因为一种深度学习算法。

机器学习的最终领域:机器学习最重要的最后一个领域是机器人。是什么让我们自己的智慧如此强大，不仅仅是我们能够理解世界，而是我们可以与之互动。

机器人也是如此。能够识别视觉和声音的电脑是一回事;那些能够学会识别一个物体并决定如何操作它的人完全是另外一回事。

可以想象，语音识别是一个困难的挑战，而触摸和运动控制是更难掌握的技能。尽管计算机具有强大的处理能力，但在像捡起一件衬衫这样简单的事情上，它仍然表现得非常糟糕。

对于机器人来说，捡起一件衬衫并不是容易的事，因为它涉及到几个同时进行的任务。首先，你需要将衬衫识别为衬衫。然后你需要估计它有多重，它的质量是如何分布的，它的表面有多少摩擦力。在这些猜测的基础上，你将需要估计在哪里抓住衬衫，以及在你抓住衬衫的每一点施加多大的力，这项任务变得更具挑战，因为衬衫的形状和质量分布会在你举起它的时候发生变化。

人类毫不犹豫地轻而易举地做到了这一点，但对于计算机来说，这些计算中的任何一种不确定性综合了所有这些因素，使之成为一项极其困难的任务。

虽然机器学习的应用差异很大，但是我们应该了解它已经对工业和我们的生活产生了深刻的影响。