现实场景机器学习用例浅析

    制造一台能够满足数十亿用户期望的人脑复制品的机器并不是一件容易的事，但从以下几方面来看，这一复杂的问题正在逐渐得到解决。
    
    基于情境、情感而进行思考、决定和行动的力量使人成为生态系统中独特的物种。我们可以通过一些基本思想展开：
    ·机器学习就像在一个非生命的物体、机器或系统中，基于一些高度复杂的算法和技术构建类人行为。
    ·机器学习能帮助我们采取适当行动满足我们所需。
    在深入研究机器学习功能的细节和粒度之前，让我们对它有一个整体的感受，并发现日常实际生活中机器学习的一些重要用例。
    一、银行、零售和电信行业用例：
    潜在客户和合作伙伴；
    客户满意指数（基于关系、交易、营销活动等）；
    欺诈、浪费和滥用索赔；
    预测客户的信用风险和信誉；
    营销活动的有效性-比如有多少人接受了这一提议，又有多少人拒绝了该提议？哪些决定性的因素导致了用户接受该提议？
    交叉销售和建议-例如，电子商务网站会提示：“购买该产品的人也购买了这个（产品）。”
    联络中心（帮助客户服务代表在通话过程中通过相关数据与客户联系）-例如，“我们发现您支票簿订单的地址与我们存档的地址不同，您是否想更改详细地址信息？”
    二、医疗保健和生命科学行业用例：
    扫描、筛选和生物识别；
    基于成分混合的药物研发；
    基于症状、患者记录和实验室报告的诊断和补救；
    根据药物、患者、地理位置、气候条件、历史病史、食物摄入等数据的AECP（不良事件病例处理）情景。
    三、常规应用：
    手写文本或语音（识别和学习图形学技术）；
    调试、疑难解答和应用向导；
    基于垃圾邮件的电子邮件过滤；
    文本和邮件分类/建议；
    问题支持并丰富KeDBs（知识错误数据库）；
    朋友和同事推荐 - 通过Facebook、LinkedIn、Twitter等；
    无人驾驶汽车 -构建人工智能和算法；
    图像处理。
    四、安防行业用例：
    手写、签名、指纹、虹膜/视网膜识别和验证；
    人脸识别；
    DNA模式匹配；
    等等...
    小结：
    通过机器/非生命物体来构建一个人脑的复制品，并满足数十亿用户的期望并不是一件容易的事情。丰富的高质量数据与完美的算法相结合对于构建和训练机器学习模型进行思考、决定和像人类一样表现至关重要。
    在进行了数十亿次不间断的数据处理之后，人类的头脑可能会感到疲倦。这也正是机器学习算法发挥关键作用的地方，在构建了之后就会自动运行。
    简而言之，大数据+机器学习=最佳搭档。