TIP
本文主要是介绍 机器学习-案例场景基础介绍 。
# 盘点：机器学习的十大应用案例
准确地诊断和治疗病人，零售商使用机器学习在正确的时间把商品送到指定商店，研究人员利用这项技术开发新药。这些只是实际应用的一小部分，从能源、公用事业到旅行酒店，再到制造、物流等行业，各种组织和职能都在越来越多地使用机器学习。
机器学习是人工智能的一个子集，它表示计算机使用算法从数据中学习，允许机器识别不同模式，而组织可以通过各种方式运用此技术。专家表示，机器学习可以帮助组织通过非同以往的规模和范围执行任务。因此，它可以加快工作速度，减少错误，提高准确性，从而对员工和客户有所帮助。此外，以创新为导向的组织正在寻找利用机器学习的机会，不仅提高效率，还能激发新的商业机会，使公司和业务在市场中脱颖而出。Addressable Markets首席策略师表示:“机器学习正在改善几乎所有功能和过程的自动化，因为它能根据不断变化的条件进行适应和操作。”以下是机器学习的10个应用，可以用来解决商业问题并带来切实的商业效益:
# 1. 实时聊天机器人代理
最早的自动化形式之一是聊天机器人(chatbots)，它通过允许人类与机器进行本质上的对话，从而弥合了人与技术之间的通信鸿沟，而机器可以根据人类提出的请求或要求采取行动。早期的聊天机器人遵循脚本规则，这些规则告诉机器人根据关键词采取什么行动。
然而，人工智能技术家族的另一个成员——机器学习和自然语言处理(NLP)，使聊天机器人更具交互性和生产力。这些较新的聊天机器人能更好地响应用户的需求，并越来越像真人一样交谈。ABI Research的首席分析师表示，各种数字助理都基于机器学习算法，这项技术可能会在新的客户服务和互动平台中找到替代传统聊天机器人的方法。聊天机器人是商业领域使用最广泛的机器学习应用之一，有些智能助手的编程能知道何时需要提出明确的问题，以及何时对人类提出的要求进行分类；音乐流媒体平台的机器人可以让用户收听、搜索、分享音乐并获得推荐；乘客通过聊天平台或语音请求服务，可以接收司机牌照和车型图像，以确定他们的乘车情况。
# 2. 决策支持
决策支持是另一个领域，机器学习可以帮助企业将其拥有的大量数据转化为可操作的见解，从而实现价值。在这里，技术可以基于历史数据和任何其他相关数据集的算法进行信息分析，并以人类无法达到的规模和速度运行多个场景，从而提出有关最佳行动方案的建议。业内专家称，它不能代替人类，而是帮助人们把事情做得更好。
在医疗保健行业，包含机器学习的临床决策支持工具能指导临床医生进行诊断和选择合适的治疗方法，提高护理人员的效率和提升治疗结果。在农业领域，基于机器学习的决策支持工具整合了气候、能源、水、资源和其他因素的数据，能够帮助农民做出作物管理决策。在商业中，决策支持系统能够帮助管理层预测趋势、识别问题并加快决策。
# 3.客户推荐引擎
机器学习为客户推荐引擎提供了动力，增强了客户体验并能提供个性化体验。在这种场景里，算法处理单个客户的数据点，比如客户过去的购买记录或公司当前的库存、其他客户的购买历史等，来确定向每个客户推荐适当的产品和服务。大型电子商务公司使用推荐引擎来增强个性化并加快购物体验。
这种机器学习应用程序的另一个常见应用是流媒体娱乐服务，它使用客户的观看历史、具有类似兴趣客户的观看历史、有关个人节目的信息和其他数据点，向客户提供个性化的推荐。在线视频平台使用推荐引擎技术帮助用户快速找到适合自己的视频。
# 4. 客户流失模型
企业使用人工智能和机器学习可以预测客户关系何时开始恶化，并找到解决办法。通过这种方式，新型机器学习能帮助公司处理最古老的业务问题：客户流失。
在这里，算法从大量的历史、人数统计和销售数据中找出规律，确定和理解为什么一家公司会失去客户。然后，公司就可以利用机器学习能力来分析现有客户的行为，以提醒业务人员哪些客户面临着将业务转移到别处的风险，从而找出这些客户离开的原因，然后决定公司应该采取什么措施留住他们。流失率对于任何企业来说都是一个关键的绩效指标，对于订阅型和服务型企业来说尤为重要，例如媒体公司、音乐和电影流媒体公司、软件即服务公司以及电信公司都是该技术的主要适用行业。
# 5. 动态定价策略
公司可以挖掘历史定价数据和一系列其他变量的数据集，以了解特定的动态因素（从每天的时间、天气到季节）如何影响商品和服务的需求。机器学习算法可以从这些信息中学习，并将这些洞察力与其他市场和消费者数据结合起来，帮助企业根据这些庞大且众多的变量动态定价商品，这一策略最终将帮助企业实现收入最大化。动态定价(有时称为需求定价)最常发生在运输行业，例如网络约车会随着叫车人数增加而飙升定价或要求增加同乘人数，另外还有在学校假期期间飙升的机票价格等。
# 6. 市场调查和客户细分
机器学习不仅帮助公司定价，它还能通过预测库存和客户细分帮助企业在正确的时间将正确的产品和服务交付到正确的区域。例如，零售商利用机器学习，根据影响某个商店的季节性因素、该地区的人口统计数据和其他数据点（如社交媒体上的趋势），预测哪个商店的库存最畅销。专家认为，可以把机器学习看作是为零售量身打造的推荐引擎。
类似地，公司可以使用机器学习来更好地了解整个客户群中的特定细分市场。例如，零售商可以使用这项技术来洞察特定购物群体的购买模式，无论是基于相似年龄、收入或教育水平的群体等等。这样他们就可以更好地瞄准自己的需求，比如为商店储备那些被确定的细分市场最有可能需要的商品。
# 7. 欺诈检测
机器学习理解模式的能力，以及立即发现模式之外异常情况的能力使它成为检测欺诈活动的宝贵工具。事实上，金融机构多年来一直在这个领域使用机器学习。
它的工作原理是这样的:数据科学家利用机器学习来了解单个客户的典型行为，比如客户在何时何地使用信用卡。机器学习可以利用这些信息以及其他数据集，在短短几毫秒内准确判断哪些交易属于正常范围，因此是合法的，而哪些交易超出了预期的规范标准，因此可能是欺诈的。机器学习在各行业中检测欺诈的应用包括金融服务、旅行、游戏和零售等。
# 8. 图像分类和图像识别
组织机构也开始求助于机器学习、深度学习和神经网络帮助他们理解图像。这种机器学习技术有着广泛的应用，从社交网站想要给其网站上的照片贴上标签，到安全团队想要实时识别犯罪行为，再到自动化汽车需要通畅的道路。零售商在图像分类和图像识别方面也有很多应用。配备具有计算机视觉和机器学习的机器人可以扫描货架以确定哪些物品是缺货或放错地方；使用图像识别可以确保从购物车中取出的所有物品被成功扫描，从而限制无意中的销售损失；通过分析图像还可以识别可疑活动，如入店行窃以及检测违反工作场所安全的行为（如未经授权使用危险设备）等。
# 9. 操作效率
尽管很多机器学习应用是高度专业化的，但许多公司也在通过这种技术来帮助处理日常业务流程，比如金融交易和软件开发。到目前为止，最常见的应用是在企业财务组织、制造系统和流程，以及软件开发和测试。很多业务部门都使用机器学习来提高效率。机器学习可以在财务部门和公司中加快工作速度和减少人为错误。使用基于机器学习的解决方案来监控设备并提前确定何时需要维护，能够有效减少意外问题和计划外的工作中断等。另外，信息技术部门可以使用机器学习作为软件测试自动化的一部分，以显著加快和改进这一过程，从而使软件开发更快、成本更低。
# 10. 信息提取
使用NLP的机器学习可以自动从文档中识别关键的结构化数据，即使所需的信息是以非结构化或半结构化的格式保存的。专家称，使用机器学习来理解文件对于各行各业都是一个巨大的机会。组织可以使用它来处理从税务报表到发票到法律合同的所有事情，提高效率和准确性，并将人力从平凡的重复性工作中解放出来。
声明：本文源自searchenterpriseai.techtarget.com，版权归原作者或原出处所有，观点仅代表作者本人，不代表SENSORO立场。如有侵权或者其他问题，请联系我们；违规转载法律必究。
# 【----------------------------】
# 解密：十个机器学习的成功案例
导读 人工智能（AI）和机器学习（ML）（人们曾认为这两者是公司不切实际的项目）正在成为主流。
人工智能（AI）和机器学习（ML）（人们曾认为这两者是公司不切实际的项目）正在成为主流。
有越来越多的企业正在利用这种模仿人类思维的技术来吸引客户并加强业务运营。而这种趋势只会越来越受欢迎。Forrester的研究称，全球数据和分析技术决策者中有53％的人正在实施实施人工智能或大规模使用人工智能，另有20％的人计划在未来12个月内实施人工智能。
无论是好是坏，通过人工智能、机器学习和机器人所实现的自动化正在兴起。正在试验、创建、甚至是申请新人工智能和机器学习技术专利的首席信息官们与记者分享了机器学习用例和一些实用建议。
# 1、“数字预言者”软件可以预测哪些职责将变得无足重轻
人们最初十分担忧机器人会抢他们的饭碗，但这种担忧渐渐缓和了，因为机器可以和人类协作，这种可能性极高。埃森哲的首席技术官兼首席创新官Paul Daugherty今年早些时候在福布斯首席信息官峰会上表示，就重塑员工技能（而这些员工的工作很可能被自动化）而言，企业已经落后了。
埃森哲也难免受到影响，这家咨询公司已经将大约23，000个职务自动化并重新对员工进行了部署。 Daugherty希望为这家拥有45万名员工的咨询公司重新分配职责。
Daugherty说：“我们认为，我们要学习新技能，因为技能实在是不够用。”
为了帮员工开展这项事业，埃森哲创建了一个应用程序，该应用程序使用机器学习对简历进行扫描并对这样的现象进行预测——员工的工作过多久会落伍，Daugherty这样说道。
该应用程序会考虑员工的工作经验，并为此打出风险分数——他们的职务在多大程度上已经落伍。例如，该应用程序将注意到，由于人工智能或其它自动化事物的出现，员工的技能将在18个月内过时。
Daugherty说，该应用程序不仅仅是一个数字预言家，它还考虑了员工的集体工作经验，并对相近的技能提出建议，从而使公司的员工能跟上节奏并与时俱进。
重要建议：首席信息官必须为企业的人工智能战略挑起重担，并与业务部门的主要利益相关方合作，从而确他们能达成共识并且业务不会中断。首席信息官还必须快速发现并消除人工智能算法中的偏差，这些偏差会随着解决方案的扩展而激增。Daugherty说：“称职的人工智能必须融入组织。”
# 2、信用报告公司构建机器学习分析引擎
在信用卡报告巨头Experian那里，数字化转型为彻底利用机器学习功能的新战略产品铺平了道路：Ascend Analytics On Demand（这是一个自助式分析平台）使公司能够建立预测模型，以确定关键因素，如 2．2亿消费者是否有资格获得他们所要求的信贷额度。
Experian的消费者信息服务总裁Alex Lintner表示，客户可以在几分钟内对所有数据展开复杂的分析，而目前这一过程需要几周时间。理想情况下，该工具将使消费者能够在需要时获得信贷资格。
Gartner表示，由于人工智能技术几乎在所有新的软件产品和服务中渐渐得到普及，Ascend也随之诞生。
Experian Global的首席信息官Barry Libenson（他负责监督该平台的建设，该平台使用Hadoop和其它分析工具）说：“客户希望能够实时查看大量信息，由我们指定规则的时代已经一去不返。当客户想要信息时，他们想实时地得到信息，以他们想要的方式进行。”
重要建议：你无法在遗留软件上构建新的分析平台并指望它们能够很好地运行。为了支持Ascend，Experian采用了混合云的方法并对开源工具进行了投资，包括容器、API引擎和微服务。Experian还对构建和使用软件的方式进行了标准化，全球员工和客户都可以重用其应用程序和代码。
# 3、信用卡公司用机器学习打击欺诈
与信用监控公司一样，信用卡公司也在打击欺诈者。
万事达卡的技术与运营总裁Ed McLaughlin表示，当很多专家都谴责数字化是网络隐私和安全方面的祸根时，机器学习和人工智能工具却可以使这些服务比塑料信用卡要安全得多。
万事达卡使用多层机器学习和人工智能工具清除恶意用户，并防止他们造成严重损害。 McLaughlin表示，万事达卡的保护措施的核心是一个内存数据库系统，自2016年以来，该系统使万事达卡避免了约10亿美元的欺诈损失。该软件使用200多个属性向量来设法预测和阻止欺诈。
这个核心处理系统（它与标记化、生物识别技术、深度学习和其它新奇方法相结合在一起）帮万事达卡保住了声誉，即促进了价值数十亿美元的安全交易。
重要建议：就网络安全而言，人类是最薄弱的环节。McLaughlin说：“尽可能地将人排除出去，这才是最重要的”，他补充说，机器学习、人工智能以及自然语言处理软件都是万事达卡工具包中的关键组件。
# 赛车公司利用机器学习分析来获得和赛车有关的洞察
Mercedes－AMG Petronas Motorsport正在使用机器学习功能将赛车的性能可视化。
该公司的IT负责人Matt Harris表示，为了做出关键决策，公司在其一级方程式赛车上对多个数据通道进行收集，有时每秒多达10，000个数据点。
Mercedes－AMG Petronas使用Tibco软件将可能产生影响的变量可视化，如天气、轮胎温度和燃料量对赛车的影响。该软件还使工程师能够仔细分析赛车齿轮的性能和磨损等细节。赛车手通常每圈要换档100次，每次换档时，该软件会收集大约1，000个数据点。
Harris说：“当你将数据可视化时，你实际上可以让变速箱更经久耐用，或者更重要的是，以更快的速度换挡。然后你会发现，如果你将变速箱设为某个模式，每圈的速度大约会快50毫秒。在资格赛中，哪怕是千分之一秒也足以分出胜负，所以50毫秒很重要。”
Harris说Mercedes－AMG Petronas正在构建机器学习算法来帮忙“做人类无法做到的事情，或者做代价高得令人却步的工作”。Harris认为这些功能最终会成为使团队具备竞争优势的关键因素。
重要建议：为什么要构建一些不属于你核心竞争力的东西？在使用Tibco之前，Mercedes－AMG Petronas使用自行开发的可视化软件，事实证明，这种软件效率太低，时间越久越不易维护。有了Tibco，Mercedes－AMG Petronas可以专注于自身的实力：打造高性能赛车。Harris说：“让人们发挥创造力，思考如何解决问题，而不是靠编写软件来解决问题，这才是最重要的。”
# 4、机器学习预测员工何时辞职
和大多数汽车维修公司一样，Calibre Collison长期以来一直面临着巨大的问题。机械师、油漆工和客服人员往往入职不久就辞职了，有时，在其600多个分店中每年的员工流失率高达40％。
Calibre发现，部分问题在于其维修车间有时没有那么多车辆供员工修理，这导致工资不固定。首席信息官Ashley Denison想知道：如果Calibre可以预测员工何时辞职并进行干预又会怎么样？
Caliber开始与技术顾问Sparkhound合作，后者创建的软件可以从Calibre所使用的人力资源软件Workday中提取员工数据，并与Microsoft PowerBI结合起来，从而创建一个定制的回归模型，这个模型可以预测员工是否会考虑离职。然后，Calibre（通过数字调查或个人联系方式）会向员工提供帮助，帮他们登记在册。
例如，如果员工的工资在几周后下降，Calibre的区域经理可以确保有更多的车辆可供他们修理。相反，如果员工的工作负担看似过重，公司就可以将一些工作重新分配给他们的同事。那么结果如何呢？由于人员流失率降低了，Calibre每年可节省的费用高达100万美元。
重要建议：在人们过度炒作机器学习算法时，通过防范问题的做法来节省资金是使用机器学习算法的可行方法，Dennison说：“一旦员工入职，我们就可以轻松地留住他们。”
# 5、机器学习有助于预测性维护
机器学习是雷诺士国际有限公司（Lennox International）的数字战略的核心组成部分，该公司使用Databricks提供的软件Spark来分析商用供暖系统和空调系统的信息流，雷诺士的IT主管Sunil Bondalapati这样说道。实时地监控机器的性能有助于公司预测机器何时出现故障，使雷诺士能够提前四小时通知客户（如房主和购物饮食街的管理者）。
Bondalapati说：“Databricks使我们能够使用数据，并在设备即将发生故障时以90％的准确率作出预测”。他还补充说，雷诺士之前能猜到机器何时会出现故障并联系经销商。此类事件通常包括误报，而这使各方都感到沮丧。我们过去一直在努力预测设备故障。”
在使用Databricks的过程中会遇到有很多分析工具，每个工具都用于解决单一用例，例如供应链或物联网（IoT）。但Bondalapati表示，Databricks提供了一个统一的平台，公司可以在该平台上管理来自数百个数据库的数百TB数据，并且它可以在Microsoft Azure上运行，因此雷诺士无需维护系统。
有了Databricks，Bondalapati的团队和业务部门就可以共同为数据流建立模型。基于Spark的软件可以为IT和业务人员转换数据并提供洞察。Bondalapati说道：“Databricks提供的协作模式对我们来说至关重要。”
重要建议：Bondalapti表示，首席信息官必须让这些新工具发挥看家本领，当风险巨大时，尤其要这么做。例如，Bondalapati对包含100亿条数据记录的概念验证进行了监督。Bondalapati说：“我们试探性地做这样的事情，但结果却令人大开眼界。”
来源：企业网
# 【----------------------------】
# 关于机器学习的十个实例
# 机器学习是什么？
机器学习是什么？这个问题的答案可以参考权威的机器学习定义，但是实际上，机器学习是由它所解决的问题定义的。因此，理解机器学习最好的方式是观察一些实例。
首先来看一些现实生活中众所周知和理解的机器学习问题的实例，然后讨论标准的机器学习问题的分类（命名系统），学习如何辨别一个问题是属于哪种标准案例。这样做的意义是，了解所面对的问题类型，我们就可以思考所需要的数据和可尝试的算法。
# 机器学习问题的十个实例
机器学习问题到处都是，它们组成了日常使用的网络或桌面软件的核心或困难部分。推特上“想来试试吗”的建议和苹果的 Siri 语音理解系统就是实例。
以下，是十个真正有关机器学习到底是什么的的实例
- 垃圾邮件检测：根据邮箱中的邮件，识别哪些是垃圾邮件，哪些不是。这样的模型，可以程序帮助归类垃圾邮件和非垃圾邮件。这个例子，我们应该都不陌生。
- 信用卡欺诈检测：根据用户一个月内的信用卡交易，识别哪些交易是该用户操作的，哪些不是。这样的决策模型，可以帮助程序退还那些欺诈交易。
- 数字识别：根据信封上手写的邮编，识别出每一个手写字符所代表的数字。这样的模型，可以帮助程序阅读和理解手写邮编，并根据地利位置分类信件。
- 语音识别：从一个用户的话语，确定用户提出的具体要求。这样的模型，可以帮助程序能够并尝试自动填充用户需求。带有 Siri 系统的 iPhone 就有这种功能。
- 人脸识别：根据相册中的众多数码照片，识别出那些包含某一个人的照片。这样的决策模型，可以帮助程序根据人脸管理照片。某些相机或软件，如 iPhoto，就有这种功能。
- 产品推荐：根据一个用户的购物记录和冗长的收藏清单，识别出这其中哪些是该用户真正感兴趣，并且愿意购买的产品。这样的决策模型，可以帮助程序为客户提供建议并鼓励产品消费。登录 Facebook 或 GooglePlus，它们就会推荐可能有关联的用户给你。
- 医学分析：根据病人的症状和一个匿名的病人资料数据库，预测该病人可能患了什么病。这样的决策模型，可以程序为专业医疗人士提供支持。
- 股票交易：根据一支股票现有的和以往的价格波动，判断这支股票是该建仓、持仓还是减仓。这样的决策模型，可以帮助程序为金融分析提供支持。
- 客户细分：根据用户在试用期的的行为模式和所有用户过去的行为，识别出哪些用户会转变成该产品的付款用户，哪些不会。这样的决策模型，可以帮助程序进行用户干预，以说服用户早些付款使用或更好的参与产品试用。
- 形状鉴定：根据用户在触摸屏幕上的手绘和一个已知的形状资料库，判断用户想描绘的形状。这样的决策模型，可以帮助程序显示该形状的理想版本，以绘制清晰的图像。iPhone 应用 Instaviz 就能做到这样。
这十个实例展示了一个机器学习问题是什么样的很好的理念。有一个专门的文集记录那些有着历史意义的例子。其中一个例子是，一个需要建模的决策，为该决策有效地的自动建模为某一行业或者说领域带来了利益。
有些问题是人工智能中，如自然语言处理和机器视觉（处理人们很容易处理的问题），最困难的问题。其他一些也很困难，但它们同时是很经典的机器学习问题，如垃圾邮件检测和信用卡欺诈检测。
想想你在过去的一周中跟线上或线下的软件之间的交互。你肯定能很轻易的推测出十或二十个直接或间接使用的机器学习实例。
# 机器学习问题的类型
通过上述的机器学习问题的实例，你一定已经意识到一些相似性之处。这种技能很有价值，因为擅长从现象看本质，使得你可以高效的思考需要的数据和可尝试的算法类型。
关于机器学习，有一些常见的分类。以下这些分类，是我们在研究机器学习时碰到的大多问题都会参考的典型。
- 分类：标记数据，也就是将它归入某一类，如垃圾/非垃圾（邮件）或欺诈/非欺诈（信用卡交易）。决策建模是为了标记新的未标记的数据项。这可以看做是辨别问题，为小组之间的差异性或相似性建模。
- 回归：数据被标记以真实的值（如浮点数）而不是一个标签。简单易懂的例子如时序数据，如随着时间波动的股票价格。这个建模的的决策是为新的未预测的数据估计值。
- 聚类：不标记数据，但是可根据相似性，以及其他的对数据中自然结构的衡量对数据进行分组。可以从以上十个例子清单中举出一例：根据人脸，而不是名字，来管理照片。这样，用户就不得不为分组命名，如 Mac 上的 iPhoto。
- 规则提取：数据被用作对提议规则（前提/结果，又名如果）进行提取的基础。这些规则，可能但不都是有指向的，意思是说，这些方法可以找出数据的属性之间在统计学上有说服力的关系，但不都是必要的涉及到需要预测的东西。有一个找出买啤酒还是买尿布之间关系的例子，（这是数据挖掘的民间条例，真实与否，都阐述了期望和机会）。
当你认为一个问题是机器学习问题时（如需要从数据中建模的决策问题），接着思考下什么问题类型可以直接借用，或者，用户或需求期待什么样的结果，反过来也这样做。
资源
很少有资源列出现实世界中机器学习的问题清单。也可能它们就在那，但我没发现。我还是找到了一些很酷的资源供你们参考：
- 一年一度的“Humies”奖 (opens new window)：这是一些授予那些计算到的结果可以媲美人类的算法的奖项。这些算法只是工作在数据或者付费函数上，就能够如此有创造性，足以违反专利。太了不起了！
- 人工智能效应 (opens new window)：有这样一种观念：只要人工智能程序取得了足够好的成绩，就不再被看做人工智能，而只当做是科技，然后被日常使用。这个观念，同样适用于机器学习。
- 人工智能大赛 (opens new window)：这个大赛涉及了人工智能领域中非常困难的问题，如果这些问题能够解决，将会是强大的证明人工智能的案例（科幻小说中想象的那种，真正的人工智能）。计算机视觉和自然语言处理都是人工智能竞赛问题的实例，它们也被当作是机器学习问题的特定领域的分类。
- 2013 年机器学习十大问题 (opens new window)：这个 Quora 上的问题有一些非常精彩的回答，其中一个答案列出了实际的机器学习问题的粗略分类。
上文我们讨论了一些现实世界中机器学习问题的常见实例及其种类。现在，我们有信息谈论一个问题是否属于机器学习问题，并且能够从问题描述中挑选出一些元素来判断它属于分类类型，回归雷系，还是属于规则提取类型。
你知道现实世界中的一些机器学习问题吗？评论分享你的想法吧。
翻译： 伯乐在线 (opens new window) - Victoria (opens new window)
译文链接：http://blog.jobbole.com/62334/
# 参考文章
- https://www.cnblogs.com/mbb676401088/p/4218948.html
- https://baijiahao.baidu.com/s?id=1669284601907010273&wfr=spider&for=pc
- https://www.toutiao.com/a6636630675363463683/
