零售：電商網(wǎng)站根據(jù)以前的購買記錄使用機器學習來推薦用戶喜歡的商品，對其進行分析并將其用于個性化購物體驗，實施營銷活動，價格優(yōu)化，改進商品供應(yīng)計劃以及獲得源源不斷的客戶。? ?

新能源：可以利用機器學習分析地下的礦物成分、以及數(shù)據(jù)中心能耗優(yōu)化和新能源+儲能調(diào)度優(yōu)化，簡化石油分配，使其更高效，更具成本效益。這個行業(yè)的機器學習用例數(shù)量眾多，并且還在不斷增加。

交通運輸：分析數(shù)據(jù)以識別模式是運輸行業(yè)的關(guān)鍵，這取決于使路線更高效并預(yù)測潛在問題以提高盈利能力。機器學習的數(shù)據(jù)分析和建模方面是交付公司，公共交通和其他運輸組織的重要工具。地圖匹配、路線規(guī)劃、ETA、流量估算和預(yù)測、流量調(diào)度、動態(tài)定價等等都有機器學習的身影。

現(xiàn)在比較常用的機器學習方法

現(xiàn)在使用最廣泛的的機器學習方法應(yīng)當是是監(jiān)督學習和無監(jiān)督學習，當然了還是有其他機器學習方法。

監(jiān)督學習：使用標記樣本的訓練算法，比如對應(yīng)輸入的輸出是早已被設(shè)計好的。一件設(shè)備可以得到一些具有標記為“ F”（失?。┗颉?R”（運行）的數(shù)據(jù)點。學習算法接收一組輸入以及相應(yīng)的正確輸出，并且該算法通過將其實際輸出與正確輸出進行比較來學習以發(fā)現(xiàn)錯誤。然后，它會相應(yīng)地自動修改模型。通過分類，回歸，預(yù)測和梯度增強等方法，監(jiān)督學習使用模式來預(yù)測其他未標記數(shù)據(jù)上的標記值。一般的，使用歷史數(shù)據(jù)預(yù)測可能發(fā)生的未來事件的項目中，通常使用監(jiān)督學習。舉個例子預(yù)測何時信用卡交易可能是欺詐的，或者哪個保險客戶可能提出索賠，這時候機器學習就派上用場了。

無監(jiān)督學習：使用的是沒有歷史標簽的數(shù)據(jù)，我們不會人為地告知系統(tǒng)哪些是正確結(jié)果，要求該算法自己主動地找出哪些是正確結(jié)果。無監(jiān)督學習在事務(wù)數(shù)據(jù)上效果很好。例如，它可以識別具有相似屬性并且在在營銷活動中經(jīng)常未受到區(qū)別對待的客戶，然后對他們提供更精細的服務(wù)。比較流行的無監(jiān)督學習技術(shù)包括自組織映射，最近鄰映射，k-means聚類法和奇異值分解。這些算法還用于自然語言處理，識別并找出數(shù)據(jù)異常值。

半監(jiān)督學習：半監(jiān)督學習的程序和監(jiān)督學習基本相同。但是，它同時使用標記和未標記兩類數(shù)據(jù)進行訓練，通常是少量標記數(shù)據(jù)和大量未標記數(shù)據(jù)（因為未標記數(shù)據(jù)的耗費成本較低，并且獲取所需的工作量也較少）。這種類型的學習可以與分類，回歸和預(yù)測之類的方法一起使用。例如人臉識別。

強化學習：通常用于機器人技術(shù)，游戲和導航。通過強化學習，該算法可以通過反復(fù)試驗發(fā)現(xiàn)哪些動作產(chǎn)生了最大的回報。這種類型的學習具有三個主要組成部分：代理（學習者或決策者），環(huán)境（代理與之交互的所有內(nèi)容）和動作（代理可以做的事情）。代理的目標是選擇在給定的時間內(nèi)最大化預(yù)期回報的操作。遵循良好的政策，代理將更快地達到目標。因此，強化學習的目標是學習最佳策略。

數(shù)據(jù)挖掘，機器學習和深度學習之間的區(qū)別

盡管所有這些方法都有相同的目標-提取可用于決策的見解，模式和關(guān)系-但它們具有不同的方法和能力。

數(shù)據(jù)挖掘：數(shù)據(jù)挖掘可以被視為從數(shù)據(jù)庫的大量數(shù)據(jù)中揭示出隱含的、先前未知的并有潛在價值的信息的非平凡過程。它可能涉及傳統(tǒng)的統(tǒng)計方法和機器學習，還有文本分析，時間序列分析等。當然數(shù)據(jù)挖掘還包括數(shù)據(jù)存儲和數(shù)據(jù)處理的研究和實踐。

機器學習：就像統(tǒng)計模型的目標是理解數(shù)據(jù)的分布結(jié)構(gòu)，使得該理論模型更加適用于數(shù)據(jù)。因此，對于統(tǒng)計模型，該模型背后必然存在一種理論，而且該理論在數(shù)學上得到了證明，但這要求數(shù)據(jù)也必須滿足某些強有力的假設(shè)。然而機器學習是基于使用計算機程序來尋找數(shù)據(jù)之間的特征關(guān)系的，即使我們對數(shù)據(jù)的結(jié)構(gòu)特點沒有任何理論依據(jù)。機器學習模型的測試是對新數(shù)據(jù)的正確行的驗證，而不是證明無效假設(shè)的理論測試，這是機器學習和統(tǒng)計最明顯的差異性。由于機器學習通常使用迭代方法從數(shù)據(jù)中學習，因此學習可以實現(xiàn)自動化，也就是說我們可以通過寫腳本來實現(xiàn)這一過程，但是統(tǒng)計學很難用腳本來實現(xiàn)。

深度學習：將算力的進步與特殊類型的神經(jīng)網(wǎng)絡(luò)相結(jié)合，以學習大量數(shù)據(jù)中的復(fù)雜模式。深度學習技術(shù)目前是常用于圖像識別、音頻識別等。當然還有更高級更難的，比如自動語言翻譯，指揮醫(yī)療診斷等。

機器學習的實現(xiàn)算法

機器學習算法包括：神經(jīng)網(wǎng)絡(luò)、決策樹、隨機森林、關(guān)聯(lián)和序列發(fā)現(xiàn)、梯度提升和bagging、支持向量機、最近鄰映射、k-means聚類、自組織映射、本地搜索優(yōu)化技術(shù)（遺傳算法）、期望最大化、多元自適應(yīng)回歸樣條、貝葉斯網(wǎng)絡(luò)、內(nèi)核密度估計、主成分分析PCA、奇異值分解、高斯混合模型、順序覆蓋算法等。

小蘇今天只做簡要科普，感興趣的同學可以繼續(xù)從書本、視頻等方面去深入了解，還有什么想了解的可以從評論區(qū)告訴我哦~下次安排！

蘇世學社旗下品牌，專注于計算機考研

計算機考研一手資訊，原創(chuàng)高質(zhì)量干貨

深度的學習分享丨咨詢前輩丨個性化指導