“人工智障”的机器学习处理日常实用性问题，你知道有多少？

柔光的暖阳◎ 2022-09-10 14:15 136阅读 0赞

### 文章目录 ###

*  内容介绍
 *  机器学习问题10例
 *  机器学习问题的类型

# 内容介绍 #

什么是机器学习？我们能读到机器学习的权威定义但实际上，机器学习是由正在解决的问题定义的。因此，理解机器学习的最好方法是看一些示例问题。

在这篇文章中，我们将首先看看一些众所周知的和被理解的机器学习问题在现实世界中的例子。然后，我们将研究标准机器学习问题的分类(命名系统)，并学习如何将问题识别为这些标准案例之一。这是很有价值的，因为知道我们面临的问题类型可以让我们思考我们需要的数据和常识的算法类型。

# 机器学习问题10例 #

机器学习问题很多。它们构成了你每天在网络或桌面上使用的软件的核心或困难部分。想想Twitter上的“你想要遵循”的建议，以及苹果Siri的演讲理解。

下面是10个机器学习的例子，它们都是关于机器学习的。

**1.垃圾邮件检测**

在收件箱中给出电子邮件，识别那些垃圾邮件和非垃圾邮件。有了这个问题的模型，程序可以将非垃圾邮件放在收件箱中，并将垃圾邮件移动到垃圾邮件文件夹中。我们都应该熟悉这个例子。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]

**2.信用卡欺诈检测**

根据一个月内客户的信用卡交易情况，确定客户进行的交易和未进行的交易。具有此决定模式的程序可以退还那些欺诈性交易。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]

**3.数字识别**

给出信封上手写的邮编，识别每个手写字符的数字。这个问题的模型将允许计算机程序读取和理解手写的邮政编码，并按地理区域对信封进行排序。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]

**4.言语理解**

给定用户的话语，确定用户提出的具体请求。这个问题的一个模型将允许一个程序理解并尝试满足这一要求。带有Siri的iPhone具备这一功能。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]

**5.人脸检测**

给出一本包含数百张数码照片的数码相册，确定其中包括一个人的照片。这个决策过程的模型将允许程序按人组织照片。像iPhoto这样的相机和软件都有这样的功能。  
![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 4][]  
**6.产品推荐**

考虑到客户的采购历史和大量的产品库存，确定该客户感兴趣并可能购买的产品。该决策过程的一个模型将允许程序向客户提出建议并激励产品购买。亚马逊有这种能力。还有Facebook、GooglePlus和LinkedIn，它们建议用户在注册后与你联系。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 5]

**7.医学诊断**

根据病人的症状和匿名病人记录的数据库，预测病人是否有可能患病。这个决策问题的一个模型可以被一个程序用来为医疗专业人员提供决策支持。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 6]

**8.股票交易**

鉴于一支股票目前和过去的价格变动情况，确定该股票是应买入、持有还是出售。该决策问题的一个模型可以为金融分析师提供决策支持。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 7]

**9.客户细分**

鉴于用户在试用期内的行为模式和所有用户过去的行为，确定哪些用户将转换为付费版本的产品，哪些用户不会。该决策问题的一个模型将允许一个程序触发客户干预，以说服客户尽早或更好地参与试验。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 8]

**10.形状检测**

给定用户手绘触摸屏上的形状和已知形状的数据库，确定用户试图绘制的形状。该决定的模型将允许程序显示用户绘制的该形状的柏拉图式版本，以制作清晰的图表。这个英斯塔维兹IPhone应用程序就是这么做的。  
这10个例子很好地理解了机器学习问题是什么样子的。有大量的历史案例，有一个决策需要建模，企业或领域的利益，使该决策建模和有效地自动作出。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 9]

其中一些问题是人工智能中最难解决的问题，比如自然语言处理和机器视觉(做人类容易做的事情)。其他的仍然是困难的，但是是典型的机器学习的例子，如垃圾邮件检测和信用卡欺诈检测。

想想上周你与在线和离线软件的互动吧。我相信你可以很容易地猜到另外十到二十个你直接或间接使用的机器学习的例子。

# 机器学习问题的类型 #

阅读上面列举的机器学习问题，我相信你可以开始看到相似之处。这是一项很有价值的技能，因为善于提取问题的本质将使您能够有效地思考您需要哪些数据以及应该尝试哪些类型的算法。

机器学习中有一些常见的问题。下面的问题类是我们所指的大多数问题的原型。做机器学习。

**1.分类**

数据的标签意味着它被分配了一个类，例如垃圾邮件/非垃圾邮件或欺诈/非欺诈。正在建模的决定是将标签分配给新的未贴标签的数据。这可以被认为是一个歧视问题，模拟群体之间的差异或相似之处。

**2.回归**

数据是用实值(例如浮点)来标记的，而不是标签。容易理解的例子是时间序列数据，如股票价格随时间的变化，被建模的决策是对新的未预测数据的预测值。

**3.聚类**

数据没有标签，但可以根据数据中的相似性和其他自然结构的衡量标准分为几组。上面列表中的一个例子是用没有名字的面孔组织图片，人类用户必须为组指定名称，比如Mac上的iPhoto。

**4.规则提取**

数据被用作提取命题规则的基础(先/后)。如果-那么)。这样的规则可能，但通常不是定向的，这意味着这些方法发现了数据中属性之间的统计支持关系，而不一定涉及到被预测的内容。一个例子是发现了购买啤酒尿布(这是数据挖掘-不管是否正确，它说明了人们的愿望和机会)。  
当您认为某个问题是机器学习问题(需要根据数据建模的决策问题)时，请考虑下一步您可以简单地将其表述为哪种类型的问题，或者客户端或需求要求的结果类型，并进行反向工作。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/c30e2fac57da4ae6b46928e62276a4c3.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/c9b5338fd0d14d1a976d507f242ec8fd.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220829/a2329bf0138e44e9a4e0e61106a16b33.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220829/d5e6c88dcdbf4e4cae3ca30916072787.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 4]: /images/20220829/488d865696504374a22005d2dd1f164c.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 5]: /images/20220829/34f96cf1b97746299916a29f629bac61.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 6]: /images/20220829/2d3708ed962d45f697cf4b1dc04cc973.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 7]: /images/20220829/7be4eb121d7e4823a36ae48f35caccb9.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 8]: /images/20220829/65743dad58f0444ebdf5cf9d6e0cec11.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 9]: /images/20220829/56e8420a72844f5cbdc085f86d329c00.png