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
