機(jī)器學(xué)習(xí)主要分成有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。但是各種方法的應(yīng)用領(lǐng)域卻有所不同，下面將簡單介紹。

有監(jiān)督學(xué)習(xí)

有監(jiān)督學(xué)習(xí)是指根據(jù)帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)學(xué)習(xí)模型，并最終預(yù)測新數(shù)據(jù)集的標(biāo)簽。根據(jù)標(biāo)簽是否離散或者多值也可以細(xì)分成很多問題，包括回歸問題、二元分類、多標(biāo)簽分類、多值分類等。這里僅分成回歸和分類兩類來描述其應(yīng)用領(lǐng)域。

分類問題：

• 欺詐檢測：比如銀行里面信用卡貸款審批需要考慮客戶的還款能力等，防止出現(xiàn)違約甚至故意欺騙銀行貸款等行為，這就需要欺詐檢測，即根據(jù)客戶的信息和行為，判斷其欺詐的概率。
• 圖像分類：這很容易理解，比如人臉識別。給定一張圖像，需要判斷屬于誰，或者你的認(rèn)證圖像是否與本人一致。
• 客戶留存：客戶流失會影響公司的業(yè)務(wù)，如何判斷哪些用戶即將離開是很重要的問題，客戶留存的判斷也是有監(jiān)督學(xué)習(xí)的重要應(yīng)用。
• 醫(yī)療診斷：比如給出患者的歷史病歷以及描述等，判斷患者的疾病。甚至是根據(jù)病情給出醫(yī)療方法。

回歸問題：

• Forecasting預(yù)測：這類預(yù)測，一般是指基于已有的歷史數(shù)據(jù)來預(yù)測未來的情況。最典型的應(yīng)用就是時(shí)序數(shù)據(jù)的預(yù)測。
• Prediction預(yù)測：這種預(yù)測更具有一般性，不僅僅是指對未來的預(yù)測，還包括基于現(xiàn)有的數(shù)據(jù)判斷其輸出的值。比如說基于面積和位置判斷房屋價(jià)格。
• 流程優(yōu)化：這個(gè)問題主要是追蹤生產(chǎn)流程系統(tǒng)，預(yù)測其行為來提升性能。
• new insights：說實(shí)話這個(gè)應(yīng)用我自己也沒理解。洞察是一系列的分析行為，這里的含義可能是基于現(xiàn)有業(yè)務(wù)進(jìn)行預(yù)測用以洞察未來。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)是基于沒有標(biāo)簽的數(shù)據(jù)對進(jìn)行學(xué)習(xí)，進(jìn)而自動分類。無監(jiān)督學(xué)習(xí)在理解數(shù)據(jù)，提升性能方面有很多不可替代的作用。這里無監(jiān)督學(xué)習(xí)的應(yīng)用主要分為兩類，一種是聚類，另一種是維度約減。

聚類應(yīng)用

• 客戶分群：這是一個(gè)非常古老的話題了。主要是根據(jù)客戶的購買和其他行為數(shù)據(jù)將客戶分成不同的類別，進(jìn)而做不同的營銷策略。這個(gè)應(yīng)用在實(shí)際情況中，非常常見也很多。
• 目標(biāo)營銷：目標(biāo)營銷是一種提高產(chǎn)品或服務(wù)在特定(目標(biāo))受眾群體中的知名度的方法，這些受眾是總的市場中的一個(gè)子集。
• 推薦系統(tǒng)：推薦系統(tǒng)是目前非常常見的應(yīng)用，聚類在推薦系統(tǒng)的主要作用是對產(chǎn)品和用戶進(jìn)行劃分，進(jìn)而提高推薦系統(tǒng)的性能。

維度約減

• 大數(shù)據(jù)可視化：大數(shù)據(jù)場景下，維度很高，數(shù)據(jù)的可視化更加具有挑戰(zhàn)性。聚類可以幫助我們壓縮數(shù)據(jù)維度，保持?jǐn)?shù)據(jù)特性，提升大數(shù)據(jù)可視化的效果。
• 數(shù)據(jù)壓縮：數(shù)據(jù)壓縮是另外一種非常常見的應(yīng)用場景，在圖像顯示、數(shù)據(jù)傳輸?shù)阮I(lǐng)域都有很多應(yīng)用。
• 結(jié)構(gòu)發(fā)現(xiàn)：在數(shù)據(jù)理解和洞察的時(shí)候，經(jīng)常需要對數(shù)據(jù)的結(jié)構(gòu)進(jìn)行整理和劃分，以幫助我們快速了解數(shù)據(jù)，發(fā)現(xiàn)規(guī)律。聚類可以有效提升結(jié)構(gòu)發(fā)現(xiàn)的效率。
• 特征消減：在基于數(shù)據(jù)進(jìn)行預(yù)測等場景中特征是很重要的輸入?yún)?shù)，但是類似的特征既會降低運(yùn)行的效率，也會影響準(zhǔn)確性。使用聚類方法對特征進(jìn)行約減，可以幫助我們提升預(yù)測效率，降低無效輸入。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)，主要是根據(jù)特定的環(huán)境場景，尋找有效的措施和策略，以獲取最大的收益。隨著AlphaGo的名聲大噪，基于強(qiáng)化學(xué)習(xí)的應(yīng)用和發(fā)展，在這幾年取得了顯著的成就。

其主要應(yīng)用場景包括：

• 實(shí)時(shí)決策：在實(shí)際生活和工作當(dāng)中有很多問題都需要實(shí)時(shí)決策。比如說無人機(jī)在飛行的過程中需要根據(jù)環(huán)境的條件調(diào)整自己的姿態(tài)和速度以保證飛行安全等?；趶?qiáng)化學(xué)習(xí)的實(shí)時(shí)決策可以幫助我們更好的實(shí)現(xiàn)自動控制等問題。
• 游戲AI：王者榮耀中的機(jī)器人就是基于強(qiáng)化學(xué)習(xí)的結(jié)果。AI在數(shù)以萬計(jì)的比賽中根據(jù)策略獲得的獎(jiǎng)懲獲取優(yōu)化的策略。
• 機(jī)器人導(dǎo)航：基于機(jī)器人識別到的環(huán)境和道路，決定導(dǎo)航路線。強(qiáng)化學(xué)習(xí)可以根據(jù)學(xué)習(xí)到的場景從多種導(dǎo)航策略中選擇最優(yōu)的內(nèi)容。