机器学习的应用实例

摘自范明等译的(原著Ethem Alpaydin)《机器学习导论》第一章，参杂部分个人见解，不对之处欢迎指点

学习机器学习，应首先知道它在实际生活中的应用具体有哪些，这样有利于进一步的原理学习。

1 学习关联性

购物篮分析：即挖掘商品间的关联性，购买了商品X的用户有多大的可能性会购买商品Y，其中用户可进一步增加限制条件，如性别、年龄等

WEB链接：可以预估用户可能点击的链接，预先下载好，提高存取速度

2 分类（监督学习）

信贷：根据客户信息，如收入、存款等对客户的申请计算风险，决定接受或拒绝该项申请。该项也可以看做学习关联性，即计算客户能偿还该贷款的可能性有多大

模式识别：光学字符识别，如手写体字符识别；人脸识别；医学诊断；语音识别

知识抽取：发现规则，如争取信贷中低风险的客户

离群点检测：发现不遵守规则的例外实例，如诈骗

3 回归（监督学习）

预测二手车价格：输出是车的价格，是不可数的数据，而不是某几个可数的类别，这类问题视为回归。输入信息可以为品牌、车龄等

机器人导航：如自动汽车导航，输入汽车上的传感器（如视频相机，GPS等）数据，输出车轮转动角度

烘焙咖啡：输入温度、咖啡豆等信息，测试消费者的满意度，从而确定咖啡的品质

4 非监督学习

监督学习中，可以提供输出的正确值，而非监督学习之有输入数据，目标是发现输入数据的规律，这在统计学中成为密度估计，密度估计方法之一便是：聚类

聚类应用：

• • 将公司相似的客户分派到相同的分组，建立客户的自然分组，从而对不同分组客户提供特定服务，或者可以发现“离群点”，开拓新市场
  • 图像压缩：会丢失图像细节，但赢得存储和传送图像空间
  • 生物信息：序列对比，聚类可以学习结构域，即蛋白质中反复出现的氨基酸序列，若将氨基酸类比为字母，则结构域是单词，蛋白质是句子，学习结构域就是挖掘句子中频繁出现的一串字母

5 增强学习

国际象棋：规则少，但每局包含大量移动，每种状态又都有大量可行的移动，即单个移动并不重要，只有能战胜对手的移动序列中的每一个移动才是好的

机器人导航和足球机器人都类似国际象棋，这类问题还包含不完整和不可靠信息，依赖设备能否输出完整的信息，所以机器人总是处于部分可观测状态，这种不确定性因素也因考虑在内