機器學習如何應用到實際生活和創業中

最近在寫機器學習的白話系列主題文章，忽然有人問我，機器學習到底有什麼用，如何才能用到實際生活中。我以爲頗有必要停下腳步，來認真思考一下這個問題：機器學習，包括深度學習，天然語言處理，如何真正應用到實際生活中去。但願你們可以踊躍討論。

說到機器學習，最出名的無非就是Google的AlphaGo這樣的項目，機器在人類傳統的智力遊戲中，無情而殘酷的打敗了人類。固然，對於大部分正在讀這篇文章的你來講，對於大部分正在學習機器學習的人來講，那只是一個終極目標。支撐着AlphaGo的服務器資源和海量數據不是任何機構能夠得到的。
在沒有大量數據資源和服務器資源的狀況下，機器學習到底能夠怎麼應用到生活中呢？

隨着Tensorflow的發佈，其實咱們已經能夠在手機程序中使用人工智能了，下面的圖就是Tensorflow經過ImageNet進行圖像識別的例子。

固然，圖像識別只是一個基礎功能，如何使得圖像識別應用在實際生活中，則是一個須要研究的課題。同時，因爲手機這樣的設備，運算能力有限，精度不是很高的狀況下，如何知足實際須要，也是一個課題。

固然，若是你懂一些硬件的話，也能夠和樹莓派一塊兒作一個智能硬件，作一個小車處處逛，順便執行一些簡單的任務。

http://www.leiphone.com/news/201703/2MCSRGD5XpPNbK8c.html

機器學習，通常來講，能作的事情，一種是分類任務，一種是迴歸任務。
分類的話，在Tensorflow發佈的時候，日本有個大叔作了一個智能黃瓜分類器，將本來農做物的分類分揀工做，交給了機器去完成。可是我看了一下，除了垃圾分類以外，暫時也沒有什麼須要咱們去分類的東西。固然，若是可以作到機器學習的自動垃圾分類，也是一個好的主意，作一個智能垃圾回收站。
http://www.infoq.com/cn/news/2016/09/tensorflow-cucumbers

若是你的工做有須要分類的任務，並且對於結果精度要求不高，則能夠嘗試一下，例如茶葉的分揀。
作HR的或許能夠將簡歷信息和最後錄取狀況做爲數據，訓練出一個簡歷篩選的工具，幫助下降工做強度，固然也可能致使本身失業。

說到迴歸任務，也就是預測。說到預測，呵呵，股票預測。
股票預測到底靠不靠譜，我以爲，中國股市是一個政策導向的市場，這種市場的預測基本沒戲。
其餘預測，我也暫時沒有想到什麼好的項目。緣由就是，找到帶有標籤的大量數據源是一件成本很是高的事情。用爬蟲去抓取數據，而後進行標籤的整理，也是至關耗時間的事情。

真的要用好機器學習，在這個框架氾濫的時代，可能領域專家比機器學習專家更加劇要。Keras這樣的框架，若是加上一個可視化的UI，普通人均可以作神經網絡了。

天然語言處理，也是機器學習的一個分支。大體有兩種模型，一個是LDA主題模型。一個是情感分析模型。
實際生活中的應用，通常也就是抓取各類點評文字，而後經過點評分值，概括出分值和文字之間的特徵。我遇到過一個項目，是金融業的。金融網站會有各類行業裏面的針對公司的新聞（至關於數據），證券公司會有對於公司股票級別的評定（買入，持有，賣出，至關於標籤），而後將歷年的新聞和評級收集起來，作成一個新聞VS評級的模型（輸入新聞，輸出評級）。有了這個模型以後，經過爬蟲去抓取實時新聞，計算出新聞中出現的公司可能出現的股票評級變化狀況，推送通知相關客戶。這個項目的效果還不知道，或許沒有什麼實際價值。

如今流行創業，不少人，包括我在內，也但願抓住機器學習這個風口，作一個創業項目。我也深深知道，其實當今資本時代，技術的地位沒有那麼重要了。除非可以潛心研究一個高大上，沒法被抄襲的東西出來。機器學習的核心價值，是大數據和模型。若是有機會拿到一些頗有價值的，稀缺性的數據，而後訓練，調整出一個高精度的模型，則就離成功很近了。高價值，沒有被人利用的數據在哪？可以訓練出什麼獨特的模型，解決實際的問題？找到問題的答案，這個是關鍵。

關注公衆號 TensorFlow教室 深度學習，機器學習，天然語言處理。