机器学习：实际应用
众所周知，机器学习研究的是学习做事的计算机算法。例如，我们可能对学习完成任务，做出准确的预测或聪明地表现感兴趣。进行的学习始终基于某种观察或数据，例如示例……直接经验或指导。因此，总的来说，机器学习就是要根据过去的经验来学习将来做得更好。
机器学习已在许多实际应用中用于各种目的。在本文中，我们将看到机器学习的各种应用！
1.图像识别
机器学习最常见的用途之一是图像识别。在许多情况下，您可以将对象分类为数字图像。对于数字图像，测量值描述了图像中每个像素的输出。
在黑白图像的情况下，每个像素的强度用作一种测量。因此，如果黑白图像具有N * N像素，则像素总数（因此测量）为N2。
在彩色图像中，每个像素被视为对3个主要颜色分量（即RGB）的强度提供3个测量值。因此，N * N彩色图像有3个N2测量值。  
用于面部检测-类别可以是面部还是不存在面部。在几个人的数据库中，每个人可能都有一个单独的类别。
对于字符识别-我们可以将一段文字分割成多个较小的图像，每个图像包含一个字符。类别可能包括26个英文字母，10个数字和一些特殊字符。
2.语音识别
语音识别（SR）是将口语单词转换为文本。也称为“自动语音识别”（ASR），“计算机语音识别”或“语音到文本”（STT）。
在语音识别中，软件应用程序识别口头单词。此应用程序中的测量值可能是代表语音信号的一组数字。我们可以将信号分割成包含不同单词或音素的部分。在每个片段中，我们可以通过不同时频带中的强度或能量来表示语音信号。
尽管信号表示的细节不在此程序的范围内，但我们可以通过一组实数值来表示信号。
语音识别应用程序包括语音用户界面。语音用户界面包括语音拨号，呼叫路由，家用设备控制。它也可以用作简单的数据输入，结构化文档的准备，语音转文本处理以及平面。
3.医学诊断
ML提供的方法，技术和工具可帮助解决各种医学领域的诊断和预后问题。它被用于分析临床参数及其组合对预后的重要性，例如预测疾病进展，提取医学知识以进行结局研究，治疗规划和支持以及整体患者管理。ML还用于数据分析，例如通过适当处理不完善的数据来检测数据中的规律性，解释重症监护室中使用的连续数据，以及用于产生有效监控的智能警报。
有人认为，机器学习方法的成功实施可以帮助在医疗保健环境中集成基于计算机的系统，从而为促进和增强医学专家的工作提供机会，并最终提高医疗保健的效率和质量。
在医学诊断中，主要兴趣在于确定疾病的存在，然后对其进行准确识别。对于正在考虑的每种疾病，有一个单独的类别，对于没有疾病存在的情况，有一个类别。在这里，机器学习通过分析患者数据来提高医学诊断的准确性。
此应用程序中的测量通常是某些医学测试（例如血压，温度和各种血液测试）或医学诊断（例如医学图像），各种症状的存在/不存在/强度和有关患者的基本物理信息的结果（年龄，性别，体重等）。根据这些测量结果，医生可以缩小造成患者疾病的范围。
4.统计套利
在金融中，统计套利指的是短期典型的，涉及大量证券的自动交易策略。在这样的策略中，用户试图基于诸如历史关联和一般经济变量之类的数量来实现针对一组证券的交易算法。这些度量可以被视为分类或估计问题。基本的假设是价格将接近历史平均水平。
我们应用机器学习方法来获得指数套利策略。特别是，我们将线性回归和支持向量回归（SVR）应用于交易所买卖基金和一系列股票的价格。通过使用主成分分析（PCA）来减少特征空间的维数，我们观察到了好处并注意到了SVR应用中的问题。为了生成交易信号，我们将先前回归的残差建模为均值恢复过程。   
在分类的情况下，每种证券的类别可能会被出售，购买或不做任何事情。在估计的情况下，可能会尝试预测每种证券在未来时间范围内的预期收益。在这种情况下，通常需要使用预期回报的估算值来做出交易决策（购买，出售等）。
5.学习协会
学习关联是将洞察力发展到产品之间各种关联的过程。一个很好的例子是看似无关的产品如何揭示彼此之间的关联。与客户购买行为相关的分析。
机器学习的一种应用-经常研究人们购买的产品之间的关联，这也称为购物篮分析。如果买家购买“ X”，由于可以识别他们之间的关系，他或她是否会强迫购买“ Y”。这就导致了鱼和薯条等之间的关系。当新产品投放市场时，知道这些关系就可以发展新的关系。了解这些关系可以帮助向客户建议相关产品。如果客户有更高的购买可能性，它还可以帮助捆绑产品以获得更好的包装。
通过机器对产品之间的关联的这种学习是学习关联。一旦我们通过检查大量的销售数据找到了关联， Big Data分析师就会发现。 它可以制定规则以在学习条件概率时得出概率测试。
6.分类
分类是将来自研究人群的每个人分成许多类的过程。这被确定为自变量。
分类可帮助分析人员使用对象的度量值来确定该对象所属的类别。为了建立有效的规则，分析师使用数据。数据由许多具有正确分类对象的示例组成。
例如，在银行决定发放贷款之前，它会评估客户的还款能力。通过考虑客户的收入，年龄，储蓄和财务历史等因素，我们可以做到。该信息取自贷款的过去数据。因此，搜索者用来在客户属性和相关风险之间建立关系。
7.预测
考虑一个银行的例子，该银行计算任何贷款申请人拖欠还款的可能性。为了计算故障的可能性，系统首先需要将可用数据分类为某些组。它由分析师规定的一组规则来描述。
一旦进行分类，就可以根据需要计算概率。这些概率计算可以针对各种目的跨所有扇区进行计算
当前预测是最热门的机器学习算法之一。让我们以零售为例，之前我们能够获得洞察力，例如上个月/年/ 5年/排灯节/圣诞节的销售报告。这些类型的报告称为历史报告。但是目前，企业对找出下个月/年/排灯节等的销售额更感兴趣。
这样企业就可以按时做出所需的决定（与采购，库存等有关）。
8.提取
信息提取（IE）是机器学习的另一种应用。这是从非结构化数据中提取结构化信息的过程。例如网页，文章，博客，业务报告和电子邮件。关系数据库维护信息提取产生的输出。
提取过程将输入作为一组文档并生成结构化数据。此输出以汇总形式显示，例如关系数据库中的excel表格和表格。
如今，提取已成为大数据行业的关键。
众所周知，正在生成大量数据，其中大部分数据都是非结构化的。第一个主要挑战是处理非结构化数据。现在，基于某种模式将非结构化数据转换为结构化形式，以便可以将其存储在RDBMS中。
除此之外，当今的数据收集机制也在发生变化。早些时候，我们像日末（EOD）那样批量收集数据，但现在企业希望在生成数据后立即（即实时）获取数据。
9.回归
我们也可以将机器学习应用于回归。
假设x = x1，x2，x3，…xn是输入变量，y是结果变量。在这种情况下，我们可以使用机器学习技术在输入变量（x）的基础上产生输出（y）。您可以使用模型来表示各种参数之间的关系，如下所示：
Y = g（x） 其中g是取决于模型的特定特征的函数。
在回归中，我们可以使用机器学习的原理来优化参数。减少近似误差并计算最接近的可能结果。
我们还可以将机器学习用于功能优化。我们可以选择更改输入以获得更好的模型。这提供了一个新的改进模型。这就是所谓的响应面设计。
结论
总而言之，机器学习是人工智能领域不可思议的突破。当您考虑它时，它确实具有一些令人恐惧的含义，这些机器学习应用程序是该技术可以改善我们生活的许多方式中的几种。
题库