常見機器學習用例TOP 7，在你身邊無處不在！

全文共8795字，預計學習時長17分鐘

想象一下——你明天要去面試一個嚮往已久的機器學習崗位。一切都必須按計劃進行，不然就會功虧一簣。

因此，你告訴智能小助手：

• 定一個明天早上7點的鬧鐘

• 在Uber上預定一個直達面試地點的快車，早上8:30來接我

• 計算一下車費

• 在谷歌地圖上看看路上要花多長時間

• 最後列出面試前還須要再多看幾眼的資料

這樣的好處是什麼？你不須要忙前忙後或是親自花時間打字。只須要給虛擬智能小助手發送指令，機器學習算法就會讓系統開始爲你工做！

這不是某個科幻場景（也不是機器終於有了「人心」）——這是正在發生的事實。隨着計算能力的進步，機器學習應用不斷髮展，而咱們也正在經歷一場真正的全球變革。

那麼，今天咱們就來看看，在平常生活中有哪些最多見的機器學習用例（有時咱們甚至沒有意識到這些例子涉及機器學習）。

本文涵蓋了如下常見的機器學習用例：

1. 機器學習在智能手機中的用例

你知道嗎，智能手機中的大多數功能都是由機器學習支持的。

沒錯！從幫你定鬧鐘、找餐廳的語音助手到經過面部識別解鎖手機等一系列簡單的功能-機器學習已經真正融入到了咱們最喜歡的設備當中。

語音助手

還記得前文提到的虛擬智能小助手嗎？它的原理就是語音識別概念——這是機器學習領域中的一個新興話題。

如今語音助手已經很廣泛了。你確定用過（或者至少聽過）如下常見的語音助手：

• 蘋果的Siri

• 谷歌助手

• 亞馬遜的Alexa

• 谷歌Duplex

• 微軟的Cortana

• 三星的Bix

這些語音助手有什麼共同點？它們都是由機器學習算法支持的！這些語音助手使用天然語言處理（NLP）識別語音（即咱們所說的話），而後使用機器學習將其轉換爲數字，並據此作出響應。

隨着機器學習技術的進步，這一領域已經日漸成熟，這些語音助手也會愈來愈智能。你能夠觀看下文的精彩教程，學習創建本身的語音識別系統：

• 學習如何構建本身的語音-文本模型（運用Python)

傳送門：https://www.analyticsvidhya.com/blog/2019/07/learn-build-first-speech-to-text-model-python/

智能手機相機

等等，機器學習跟智能手機相機有什麼關係？事實上關係可大了。

咱們天天點開看到的精美圖片和這些圖片的深度，都有機器學習的足跡。機器學習分析給定圖片中的每一個像素，以檢測對象、模糊背景和採起一系列美化技巧。

這些機器學習算法能夠改進和加強智能手機的攝像頭：

• 對象檢測能夠定位和識別圖像中的對象（或人）

• 填補圖片中缺失的部分

• 使用特定類型的神經網絡利用生成對抗網絡（GANs）來加強圖像，甚至經過想象圖像的樣子來擴展其邊界等。

有興趣瞭解更多相關信息來學習如何使用機器學習構建本身的智能手機攝像頭軟件？無需等待！如下教程能夠完美地帶你入門：

• 谷歌像素相機背後的深度學習技術介紹！

傳送門：https://www.analyticsvidhya.com/blog/2019/02/tutorial-semantic-segmentation-google-deeplab/

蘋果和谷歌應用商店的推薦

蘋果（Apple App Store）和谷歌（Goole Play Store）應用商店都有推薦這個功能。「爲您推薦」這個功能的依據就是已經下載過的應用程序（或是之前使用過的）。

例如，若是你下載了一些與體育和美食相關的應用程序，那麼「爲您推薦」一般都會推送相似的應用程序。谷歌應用商店能夠根據你的喜愛進行個性化，同時推送你更有可能下載的應用程序。

來源：LiveMint

那麼蘋果和谷歌商店是如何作到的呢？四個大字——推薦引擎。這是目前機器學習中很是熱門的概念。構建推薦引擎的方法多種多樣，你能夠根據如下教程選擇適合本身的方法：

• 從零開始構建推薦引擎綜合指南（在Python中）

傳送門：https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/

面部解鎖——智能手機

大多數人對這個功能都至關熟悉了。咱們拿起手機，經過識別面部就能夠自動解鎖。這個功能智能、高效、省時，很是高級。

不少人不知道的是，智能手機實際上是使用一種叫作面部識別的技術來實現這一功能的。而這種技術的核心理論—你知道的—就是機器學習。

面部識別的應用很是普遍，世界各地的不少企業都已經從中獲益：

• 臉書經過這種技術識別圖像中的人物

• 政府用來識別和抓捕罪犯

• 在機場，面部識別系統能夠覈實乘客、機組人員等等

將來的幾年裏，人臉識別模型的應用只會愈來愈普遍，因此爲何不如今就來學習一下如何構建你本身的人臉識別系統呢？

• 面部識別簡易指南（使用python代碼）

傳送門：https://www.analyticsvidhya.com/blog/2018/08/a-simple-introduction-to-facial-recognition-with-python-codes/

2. 交通中的機器學習用例

在過去的十年中，機器學習在交通運輸領域中的應用已經達到了一個全新的高度，其發展正好遇上了打車軟件（如Uber、Lyft、Ola等等）的興起。

這些公司將機器學習用於不少產品當中，從規劃最佳路線到決定打車的價格。讓咱們看看在交通領域一些較多使用機器學習的用例。

打車的動態訂價

你是否會由於打車公司大幅漲價而難過呢？打車的價錢彷佛永遠在漲。爲何會這樣？

事實上，這涉及到動態訂價的概念——這是一個絕妙的機器學習用例。爲了理解這一點，讓咱們舉一個簡單的例子。

想象一下你開了一家打車公司，須要給城市裏的每一條線路制定打車價格，既要能吸引顧客，又能提升本身的盈利底線。一種方法是手動爲每條線路設訂價格。這顯然不是理想的方法。

所以，動態訂價就會發揮關鍵做用。這意味着要根據不斷變化的市場情況調整價格。所以，價格的變化取決於位置、時間、天氣、總體客戶需求等因素，這就是打車價格常常飆升的根本緣由。

動態訂價也是旅遊、酒店、交通和物流等諸多行業愈來愈青睞的一種方法。

交通與通勤-Uber

動態訂價不是像Uber這樣的打車公司使用機器學習的惟一用例。他們主要依靠機器學習來肯定從A點到B點的最佳路線。

對於咱們來講，這彷佛是一個很簡單的事情。輸入位置和目的地，而後最近的司機就會來接咱們。但這一簡單操做的背後是Uber後端複雜的結構和服務網絡。

這些公司運用了多種機器學習技術來優化打車路線。

讀一讀下面這篇Uber的文章，它詳細闡述了機器學習如何肯定更快捷的路線：

• Uber如何設計快捷的路線

傳送門：https://eng.uber.com/engineering-an-efficient-route/

谷歌地圖

你確定已經猜到會有這個例子了。谷歌地圖是機器學習的一個經典用例。如下是一些已普遍使用的功能：

• 路線：從A點到B點

• 路線預計耗時

• 沿線交通情況

• 「探索附近」功能：餐廳、加油站、自動取款機、酒店、購物中心等

谷歌使用大量的機器學習算法來生成全部這些功能。機器學習已經深深地融入了谷歌地圖，這就是爲何每次更新後路線都變得更加智能化的緣由。

路線預計耗時功能已經接近完美。若是地圖顯示「40分鐘」到達目的地，你能夠肯定實際耗時就差很少是40分鐘。

3. 熱門流行Web服務中的機器學習用例

你確定會喜歡這一部分。咱們天天都要屢次使用一些應用。可能直到最近才意識到，正是因爲機器學習的強大和靈活性，這些應用才能夠正常工做。

如下是一些你很是熟悉的用例。讓咱們從機器學習的角度來看一看。

郵件過濾

天天工做都閱讀大量郵件？或者郵箱充斥着隨機和垃圾郵件？咱們都經歷過。

若是咱們能編寫一條規則，讓郵箱經過郵件主題過濾郵件，這樣是否是就輕鬆多了？營銷郵件會自動轉到垃圾郵件。而工做郵件則會進入個人主收件箱（等等）。這會讓咱們的生活輕鬆許多。

事實證實，這正是大多數電子郵件服務正在作的！他們使用機器學習來解析電子郵件的主題行並對其進行相應分類。以Gmail爲例，谷歌使用的機器學習算法已經接受了數百萬封電子郵件的訓練，所以能夠無縫地爲終端用戶（咱們）工做。

Gmail在提供默認郵箱標籤的同時，也容許用戶自定義標籤：

• 主要郵件

• 社交郵件

• 推銷郵件

機器學習算法會在收到電子郵件後當即將其歸類到這三個標籤中的一個。若是Gmail將其視爲「主要」郵件，用戶會當即收到新郵件提醒。

固然，Gmail也使用機器學習來判斷電子郵件是不是垃圾郵件。這一功能深受咱們喜好。多年來，谷歌的算法在判斷電子郵件是不是垃圾郵件方面愈來愈智能。這就是給機器學習算法提供大量數據的好處——而谷歌最不缺的就是數據。

谷歌搜索引擎

這是全部機器學習用例中最熱門的一個。每一個人都用過谷歌搜索，絕大多數人天天會屢次使用。可是谷歌搜索的工做原理是什麼？

谷歌搜索已經成爲了一座沒法逾越、不可攻克的大山。只有設計過谷歌搜索的人才知道它的工做原理究竟是什麼。能夠確定的是——谷歌運用機器學習來驅動其搜索引擎。

谷歌不斷訓練的數據量和不斷完善的數據量是沒法想象的。世界上沒有計算器能夠算出谷歌在過去20年裏處理過多少問題。對於數據科學家來講，這是一個稀世寶庫！

如今想象一下，你得創建一個本身的谷歌搜索引擎。你會使用什麼規則？你會涵蓋什麼內容？你要如何排列網站？下面這篇文章能夠幫你打開思路：

• 谷歌網頁排名簡易解讀！

傳送門：https://www.analyticsvidhya.com/blog/2015/04/pagerank-explained-simple/

谷歌翻譯

谷歌使用機器學習來理解用戶輸入的句子，將它們轉化爲請求語言，再顯示輸出結果。機器學習深深植根於谷歌的生態系統，咱們都從中受益。

幸運的是，咱們知道谷歌是如何利用機器學習來驅動它的翻譯引擎的。如下文章能夠幫助你理解並嘗試這一話題：

• 關於神經機器學習的天然語言處理必讀教程——技術驅動谷歌翻譯

傳送門：https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/

領英、臉書的推薦和廣告

社交媒體平臺是機器學習的經典用例。跟谷歌同樣，這些平臺已經將機器學習集成到它們的結構當中了。從家庭訂閱到你看到的種種廣告，全部這些功能的運行都要歸功於機器學習。

你常常看到的一個功能是「可能認識的人」。這是全部社交媒體平臺（Twitter、Facebook、LinkedIn等）的常見功能。這些公司使用機器學習算法來查看你的我的資料、興趣、你當前的朋友、他們的朋友以及全部其餘變量。

而後，該算法就能夠生成與特定模式匹配的人員列表。最後向你推薦這些人，但願你可能認識他們（或者至少擁有很是類似的我的資料）。

因爲領英的這個功能，你能夠與不少人都創建聯繫。這一機器學習的用例對每一個參與其中的人都有好處。

咱們看到的廣告也是採用了類似的原理。這些平臺追蹤你的品位、興趣，特別是你最近的瀏覽或購買記錄，而後投送量身定製的廣告。若是你也是數據科學的愛好者，臉書或領英的機器學習算法可能會激發你深刻學習的興趣。

下次使用社交媒體時能夠留意這一點。這都歸功於機器學習！

4. 銷售與營銷中的機器學習用例

世界上的頂尖公司都在利用機器學習來實現自上到下的戰略轉變。兩個受影響最大的領域就是營銷和銷售。

如今，若是你在營銷和銷售領域工做，至少須要知道一種智能商業工具（如Tableau或Power BI）。此外，營銷人員還須要知道如何在平常工做中利用機器學習來提升品牌知名度、盈利底線等。

所以，這裏有三個在市場營銷和銷售中很常見的用例，機器學習正在改變這一領域的工做方式。

推薦引擎

咱們以前簡單地談到了推薦引擎。這些推薦系統無處不在。可是，它們是市場營銷和銷售領域有什麼用途呢？工做原理又是什麼？

讓咱們看一個簡單的例子來更好地理解這一問題。在IMDb（和網飛）出現以前，咱們都是去DVD商店或是在谷歌上搜索電影觀看。店員一般會推薦一些影片，而後咱們就選幾個歷來沒看過的電影碰碰運氣。

因爲推薦引擎的出現，碰運氣的日子一去不復返。咱們能夠登陸一個網站，而後就會根據我的品味和之前的瀏覽歷史推薦產品和服務。一些常見的推薦引擎有：

• 電子商務網站，如亞馬遜和Flipkart

• 圖書網站，如Goodreads

• 電影服務網站，如IMDb和網飛

• 酒店網站，如makemytrip、booking.com等

• 零售服務網站，如StitchFix

• 食雜網站，如Zomato和Uber Eats等

數不勝數。推薦引擎無處不在，而營銷和銷售部門比以往任什麼時候候都更依賴於這些引擎來吸引（和留住）新客戶。

推薦各位閱讀這篇初學者教程，學習如何構建本身的推薦引擎：

• 從零開始構建推薦引擎綜合指南（在Python中）

傳送門：https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/

個性化營銷

推薦引擎只是個性化營銷整體概念的一部分。這一律唸的意義就在於其名稱自己——它是一種根據我的須要量身定製的營銷技術。

試想：你接過多少電話向你推銷「免費的」借貸或信用卡服務？這些電話不想了解你的需求，清一色地推薦同一種服務。這種傳統的營銷已通過時，遠遠落後於數字革命。

如今，想象一下這些電話都是根據你的興趣量身定製的。若是你是一個購物狂，而且購物記錄能夠看出這一點，或許你會接到一個電話給你提供一項新的服務——增長你的信用額度。或者，若是你是一個機器學習愛好者，你可能會收到一封郵件推薦適合你的課程。

事實上，個性化營銷的潛力是巨大的。機器學習能夠識別不一樣的客戶羣，併爲每一個客戶羣定製營銷活動。你能夠經過開放率、點擊率等指標按期檢查活動狀況。

強烈建議各位閱讀如下指南，它能夠幫助你從新包裝數字營銷策略：

• 每位數據科學人士都必讀的：數字營銷與分析綜合指南

傳送門：https://www.analyticsvidhya.com/blog/2018/12/guide-digital-marketing-analytics/

客戶售後詢問（以及聊天機器人）

若是你有過售後經歷（誰沒有呢？），那麼你確定能夠從我的的角度理解這一點。那些可怕的電話、無休止的等待、懸而未決的查詢——全部這些都給用戶帶來了極其糟糕的體驗。

而機器學習有助於消除這些障礙。利用天然語言處理（NLP）和情感分析的概念，機器學習算法可以理解咱們在說什麼以及說話時的語氣。

用戶詢問能夠分爲兩類：

• 語音詢問

• 文字詢問

對於前者，機器學習算法能夠檢測客戶的消息和情緒，根據客戶的詢問從新指派合適的售後人員，而後有針對性地解決用戶問題。

另外一方面，文本詢問的工做基本都由聊天機器人承包。如今幾乎全部企業都在本身的網站上設置了聊天機器人。他們避免了漫長的等待，並提供即時的回答——所以，這是一種很是實用的終端用戶體驗。

咱們收集了兩篇關於如何構建本身的聊天機器人的文章，簡單易懂，值得一看：

• 學習如何運用Rasa迅速構建和部署聊天機器人（以IPL爲例）

傳送門：https://www.analyticsvidhya.com/blog/2019/04/learn-build-chatbot-rasa-nlp-ipl/

• 運用Python構建聊天機器人——信息查詢的將來

傳送門：https://www.analyticsvidhya.com/blog/2018/01/faq-chatbots-the-future-of-information-searching/

5. 安全領域中的機器學習用例

機器學習也正在擾亂安全行業。在傳統的安全行業中，保安們經常連續幾個小時坐在那裏記下車牌號，阻止可疑的人——但這種作法正慢慢被淘汰。

企業正在使用機器學習來更好地分析威脅和應對襲擊。這些用例既適用於現實威脅，也適用於網絡威脅（銀行欺詐、金融威脅等）。

視頻監控

你確定據說過或讀過某個國家正在使用監控來追蹤其公民（谷歌上一搜就有）。全世界的機構都在利用視頻監控來執行各類任務，例如偵測入侵者、識別暴力威脅、抓捕罪犯等。

然而，這些都不是手動完成的，否則就太費時了。相反，這些監控攝像頭中都安裝了機器學習算法軟件。

這些機器學習算法使用各類計算機視覺技術（如目標檢測）來識別潛在威脅和抓捕罪犯。

如下是安全領域中常見的機器學習用例：

• 「天眼」是一個能夠偵測人羣中暴力分子的機器學習項目

傳送門：https://www.analyticsvidhya.com/blog/2018/06/eye-in-the-sky-is-a-machine-learning-project-that-detects-violent-people-in-crowds/

網絡安全（Captchas測試）

「我不是機器人」——這句話是否是聽起來很熟悉？當一個網站懷疑瀏覽者是機器人時，就是彈出這個按鈕。

這些測試被稱爲CAPTCHA，全稱爲Completely Automated Public Turing test（全自動區分計算機和人類的圖靈測試）。咱們須要識別紅綠燈、樹木、人行橫道和各類各樣的物體來證實咱們確實是人類。

同時，網站還設置各類各樣的困難，例如紅綠燈和樹木被其它物體遮蓋、汽車變得模糊、人行橫道在較遠處。爲何這些網站要如此刁難咱們？緣由仍是機器學習。

網站Verge說得很好：

「CAPCHA測試很容易被拿來給人工智能作訓練，因此任何圖形測試都只能是暫時的，這也是CAPCHA的開發者一開始就認可的。全部研究者、騙子和普通人解決了數十億的難題，可是人工智能不費吹灰之力就能夠作到，在某個時刻，這些機器將超越咱們。」

所以，谷歌正在使用機器學習讓CAPTCHA測試更難破譯。研究人員正在使用圖像識別技術來破解這些CAPTCHA測試，從而加強其後端的安全性。

6. 金融領域中的機器學習用例

機器學習中的大多數崗位都面向金融領域。這也無可厚非——畢竟金融是終極的數字領域。許多銀行機構直到最近還在使用邏輯迴歸（一種簡單的機器學習算法）來處理這些數字。

金融領域的機器學習用例有不少。如今就看看兩個可能遇到過的常見用例。

抓捕銀行詐騙

你遭受過信用卡詐騙嗎？這是一段痛苦的經歷。銀行要你填寫的文件數量加重了欺詐對你的衝擊。

幸虧，機器學習正在不一樣層次解決這一問題。從欺詐偵測到欺詐預防，機器學習算法正在改變銀行的工做方式，以改善客戶體驗。

目前的挑戰就是要跟上網絡威脅的水平。這些網絡攻擊者在每一個階段都比咱們搶先一步，甚至兩步。一旦最新的機器學習解決方案出現，這些攻擊者就會在新方案的基礎上完善手段。

儘管如此，機器學習確實有助於簡化流程。這些算法可以識別欺詐交易並標記它們，這樣銀行就能夠儘快與客戶取得聯繫，檢查他們是否進行了交易。

一個很好的例子就是看看消費者的消費模式。若是用戶的某次消費不符合該模式（金額過高或來自不一樣國家等），則算法就會提醒銀行並暫停交易。

如下兩篇由網絡安全和機器學習專家撰寫的文章解釋瞭如何構建強大的惡意軟件檢測模型：

• 利用深度學習的力量確保網絡安全（第一部分）

傳送門：https://www.analyticsvidhya.com/blog/2018/07/using-power-deep-learning-cyber-security/

• 利用深度學習的力量確保網絡安全（第二部分）

傳送門：https://www.analyticsvidhya.com/blog/2019/05/using-power-deep-learning-cyber-security-2/

個性化銀行

另外一個用例就是推薦引擎！這裏的推薦引擎是專門針對銀行領域的。讀到這裏，你確定很是熟悉個性化了——因此在繼續閱讀以前，先思考一下個性化銀行是什麼意思。

咱們讀過一些文章，描述銀行鍼對不一樣的客戶羣體提供量身定製的服務。而個性化銀行則將這一律念提高到一個全新的水平。

理想的個性化情形是使用機器學習來預測客戶的需求，並瞄準客戶羣中的每個客戶。波士頓諮詢的一份報告指出：

「銀行業的個性化主要目的不是銷售，而是天天、甚至是一天屢次爲客戶提供服務、信息和建議。在銷售中，銷售人員與顧客的溝通較少，與此相反，頻繁的互動是客戶銀行體驗的關鍵。」

如下是這份報告的全文：

• 銀行業的個性化真正意味着什麼？

傳送門：https://www.bcg.com/publications/2019/what-does-personalization-banking-really-mean.aspx

7. 其餘熱門的機器學習用例

這一部分的用例沒法歸類到上述幾個部分當中。我也會持續更新這一部分，因此就讓咱們從一個很是有趣的用例開始——自動駕駛汽車！

自動駕駛汽車

在本文討論的全部用例中，我最喜歡自動駕駛汽車。這是咱們在硬件和機器學習方面所取得的最高成就。

自動駕駛汽車的優勢在於，機器學習的三個主要方面——監督、無監督和強化學習——都貫穿在汽車的設計當中。

如下是使用機器學習的自動駕駛汽車的幾個功能：

• 檢測汽車周圍的目標

• 檢測與前方車輛、紅綠燈以及人行橫道之間的距離

• 評估司機情況

• 場景分類等等

留言 點贊 關注

咱們一塊兒分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 「讀芯術」

（添加小編微信：dxsxbb，加入讀者圈，一塊兒討論最新鮮的人工智能科技哦～）