1.3 應(yīng)用示例

讓我們看一下機(jī)器學(xué)習(xí)任務(wù)的一些具體示例，以及可以解決這些任務(wù)的技術(shù)：

分析生產(chǎn)線上的產(chǎn)品圖像來對產(chǎn)品進(jìn)行自動(dòng)分類

　　這是圖像分類，通常使用卷積神經(jīng)網(wǎng)絡(luò)（CNN，見第14章），有時(shí)使用Transformer（見第16章）。

通過腦部掃描發(fā)現(xiàn)腫瘤

　　這是語義圖像分割，其中圖像中的每個(gè)像素都被分類（因?yàn)槲覀兿胍_定腫瘤的確切位置和形狀），通常使用CNN或Transformer。

自動(dòng)分類新聞文章

　　這是自然語言處理，更具體地說是文本分類，可以使用循環(huán)神經(jīng)網(wǎng)絡(luò)和CNN來解決，但Transformer效果更好（見第16章）。

自動(dòng)標(biāo)記論壇中的惡評

　　這也是文本分類，使用相同的NLP工具。

自動(dòng)對長文檔做總結(jié)

　　這是NLP的一個(gè)分支，稱為文本摘要，使用相同的工具。

創(chuàng)建聊天機(jī)器人或個(gè)人助理

　　這涉及許多NLP組件，包括自然語言理解（Natural Language Understanding，NLU）和問答模塊。

根據(jù)許多績效指標(biāo)來預(yù)測公司下一年的收入

　　這是一個(gè)回歸任務(wù)（即預(yù)測值），可以使用任何回歸模型來解決，例如線性回歸或多項(xiàng)式回歸模型（見第4章）、回歸支持向量機(jī)（見第5章）、回歸隨機(jī)森林（見第7章）或人工神經(jīng)網(wǎng)絡(luò)（見第10章）。如果你考慮過去的績效指標(biāo)，你可能需要使用RNN、CNN或Transformer（見第15章和第16章）。

讓應(yīng)用程序?qū)φZ音命令做出反應(yīng)

　　這是語音識(shí)別，需要處理音頻樣本：由于它們是很長、很復(fù)雜的序列，因此通常使用RNN、CNN或Transformer進(jìn)行處理（見第15章和第16章）。

檢測信用卡欺詐

　　這是異常檢測，可以使用隔離森林、高斯混合模型（見第9章）或自動(dòng)編碼器（見第17章）來解決。

根據(jù)客戶的購買情況對客戶進(jìn)行細(xì)分，從而你可以為每個(gè)細(xì)分設(shè)計(jì)不同的營銷策略

　　這就是聚類，可以使用k均值、DBSCAN等來實(shí)現(xiàn)（見第9章）。

在清晰又有洞察力的圖表中表示復(fù)雜的高維數(shù)據(jù)集

　　這是數(shù)據(jù)可視化，通常涉及降維技術(shù)（見第8章）。

根據(jù)過去的購買情況推薦客戶可能感興趣的產(chǎn)品

　　這是一個(gè)推薦系統(tǒng)。一種方法是將過去的購買情況（以及有關(guān)客戶的其他信息）提供給人工神經(jīng)網(wǎng)絡(luò)（見第10章），并讓它輸出客戶下一次最有可能購買的產(chǎn)品。這個(gè)神經(jīng)網(wǎng)絡(luò)通常會(huì)根據(jù)所有客戶過去的購買記錄進(jìn)行訓(xùn)練。

為游戲構(gòu)建智能機(jī)器人

　　這通常使用強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL；見第18章）來解決。強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它在給定的環(huán)境（例如游戲）中，訓(xùn)練智能體（例如機(jī)器人）選擇能夠隨著時(shí)間的推移最大化其獎(jiǎng)勵(lì)的行動(dòng)（例如，機(jī)器人可能會(huì)在玩家每次失去一些生命點(diǎn)數(shù)時(shí)獲得獎(jiǎng)勵(lì)）。在圍棋比賽中打敗世界冠軍的著名AlphaGo程序就是使用RL構(gòu)建的。

這個(gè)列表可以一直延伸下去，但希望它能讓你了解機(jī)器學(xué)習(xí)可以處理任務(wù)的廣度和復(fù)雜性，以及你在每項(xiàng)任務(wù)中會(huì)用到的技術(shù)類型。