小資料在機器學習中的重要性

　　很多人都知道什麼大資料，但是有多少人知道小資料及其在機器學習中的重要性？小資料是指以一定數量和格式出現的資料，使其可供人類訪問、提供資訊和可操作。大資料通常與機器有關，小資料與人類有關。

　　理解大資料的唯一方法是將其縮減為更小的、具有視覺吸引力的物件，這些物件代表大資料集的各個方面。例如，透過感測器收集氣象資料，並透過計算機處理全國各地的天氣報告大量資料，並將其轉換為圖表或圖形形式的小資料，然而透過電視新聞播放，人們透過這種形式很容易瞭解天氣狀況。

　　小資料如何有效？

　　對於人工智慧的理解，資料起著重要的作用。訓練人工智慧需要大量資料。這種認為人工智慧需要大量資料才能執行的假設忽略了存在性，並掩蓋了不需要大資料進行訓練的潛在方法。

　　小資料包括遷移學習、資料標記、人工資料、貝葉斯方法以及強化學習。使用小資料的方法也可以吸引非技術專業人士瞭解資料何時、何地以及如何對人工智慧有用。透過評估人工智慧領域當前和未來的進展，小資料方法正在科學研究領域取得更多進展。

　　機器學習並不侷限於大資料，還有廣泛使用的小資料方法。美國和中國在小資料方法方面的研究位於世界前列，正在機器學習領域採用小資料方法。而小資料方法與大資料方法相比，可以節省更多的成本和時間。

　　像遷移學習這樣的小資料方法如今被廣泛使用。科學家利用轉移學習來訓練機器，使其能夠在各個領域工作。例如，印度的一些研究人員使用轉移學習來訓練一臺機器，只使用45個訓練示例就可以在超聲影像中辨別腎臟。遷移學習預計將很快增長。

　　使用人工智慧的一個主要挑戰是機器需要泛化，也就是說，為訓練它們的問題提供正確的答案，因為轉移學習就是轉移知識。即使在資料有限的情況下也有可能實現。轉移學習正被用於癌症診斷、玩電子遊戲、垃圾郵件過濾等等。先進的人工智慧工具和技術為利用小資料和變化過程訓練人工智慧提供新的可能性。為了訓練人工智慧系統，一些大型組織正在使用大量的小資料。

　　像遷移學習這樣的小資料方法有很多優點。例如，使用資料較少的人工智慧可以加強資料很少或沒有可用資料的領域。儘管許多研究人員認為人工智慧的成功需要大資料，但在這種情況下，遷移學習已被證明對於使人工智慧應用多樣化並進入未開發的領域至關重要。與大資料方法相比，遷移學習還有助於節省成本和時間。許多專家指出，遷移學習將成為機器學習行業的下一個驅動力。

　　各種小資料技術被用來訓練人工智慧識別物件類別。小資料技術被廣泛用於提高不同行業和企業工作的效率、準確性和透明度。人工智慧在員工的技能培訓以及他們從較小資料集學習的能力方面發揮著重要作用。許多人工智慧公司都在採用小資料開展業務。

　　上世紀的很多科學家使用小資料進行研究和發現，他們使用小資料完成了所有的計算。他們透過將自然法則歸納成簡單的規則，發現了它們的基本規律。

　　研究發現，65%的創新都是基於小資料的。儘管許多企業使用深度學習透過將真實資料與合成資料混合來創造最佳效能，但並不總是需要使用大資料。小資料還可用於得出一些重要結論，尤其是在訓練人工智慧的時候。大資料有時會在機器學習方法中造成混亂。而採用人工智慧是為了掌握知識，而不是處理資料。它涉及向機器提供知識以使其執行任何任務。

　　與大資料相比，小資料技術還沒有受到太多關注。雖然沒有多少人瞭解它的好處，但小資料可能很快就會變得非常流行。就科技行業而言，他們正在迅速從大型集中分析轉向更加細化和智慧連線的小型資料集。