机器学习正在许多实际运用中用于各种目的。
在这篇文章中，我们将看到机器学习的各种运用。

图像识别

机器学习最常见的用场之一便是图像识别。
在很多情形下，你可以将工具分类为数字图像。
对付数字图像，丈量值描述图像中每个像素的输出。

在黑白图像的情形下，每个像素的强度都可以用作一次丈量。
因此，如果黑白图像具有N N个像素，则总像素数和丈量结果为N2。

在彩色图像中，每个像素都被认为供应三个紧张颜色分量即RGB的强度的三个丈量值。
以是在N N彩色图像中，有三个N2丈量值。

人脸检测：种别可能是脸部存在与否的差异。
在几个人的数据库中，每个人的数据库都可能都有一个单独的种别。

字符识别：我们可以将一段笔墨分割成较小的图像，每个图像包含一个字符。
这些种别可能包含26个英笔墨母，10个数字和一些分外字符。

语音识别

语音识别（SR）是口头笔墨翻译成文本的识别。
它也被称为自动语音识别（ASR）、打算机语音识别或语音到文本（STT）。

在语音识别中，软件运用程序可识别口语词汇。
本运用中的丈量可能是一组表示语音旗子暗记的数字。
我们可以将旗子暗记分割成包含不同单词或音素的部分。
在每个段中，我们可以用不同时频段的强度或能量表示语音旗子暗记。

只管旗子暗记表示的细节超出了本文的范围，但我们可以用一组实际值来表示旗子暗记。

语音识别运用包括语音用户界面。
语音用户界面包括语音拨号、呼叫路由和domotic设备掌握。
它也可以用于大略的数据输入，准备构造化文档，语音到文本处理。

医疗诊断

ML供应的方法、技能和工具可以帮助办理各种医疗领域的诊断和预后问题。
它被用于剖析主要的临床参数及其预后组合，即预测疾病进展，提取用于研究的医学知识、治疗操持、支持和总体患者管理。

ML还被用于数据剖析，例如通过适当处理不完善的数据来检测数据的规律性，阐明重症监护病房中利用的连续数据以及智能报警，从而实现有效和高效的监测。

有人认为，ML方法的成功履行可以帮助将基于打算机的系统整合到医疗保健环境中，为促进和加强医学专家的事情供应机会，并终极提高医疗保健的效率和质量。

在医学诊断中，紧张兴趣在于确定疾病的存在，然后准确识别。
对付所考虑的每种疾病都有一个单独的种别，对付没有疾病存在的病例也有一个种别。
这里，机器学习是通过剖析患者的数据来提高医学诊断的准确性。

本运用中的丈量结果常日是某些医学测试（如血压、体温、血液测试），医学诊断（如医学图像），各种症状的存在/不存在/强度以及患者的基本身体信息（年事，性别，体重等）。
根据这些丈量结果，年夜夫缩小了患者的疾病范围。

统计套利

在金融领域，统计套利指的是自动交易策略，这种策略常日是短期的，涉及大量证券。
在这样的策略中，用户考试测验为一组基于数量的证券(如历史关联和一样平常经济变量)实现交易算法。
这些丈量结果可以作为分类或估算问题，基本假设是价格将走向历史均匀水平。

我们运用机器学习方法来得到指数套利策略。
特殊是，我们对交易所交易基金和股票流的价格采取线性回归和支持向量回归（SVR）。
通过利用主身分剖析（PCA）来降落特色空间的维度，我们不雅观察到了好处并把稳到了SVR运用中的问题。
为了产生交易旗子暗记，我们将先前回归的残差模型化为均值回归过程。

在分类的情形下，种别可能会***、购买或不被触及的每个安全。
在估计的情形下，人们可能会考试测验预测一段韶光内每个证券的预期回报。
在这种情形下，常日须要利用预期收益的估计来作出身意营业决策（买入、卖出等）

关联剖析

关联剖析是发展对产品之间各种关联的见地的过程。
一个很好的例子便是，在与顾客的购买行为干系的剖析中，看似不干系的产品可能揭示彼此之间的关联。

机器学习的这种运用涉及研究人们购买的产品之间的关联，也称为购物篮剖析。
如果买方购买X，他们是否会购买Y，由于它们之间的某种关系？理解这些关系可能有助于向客户推举干系产品。
为了客户购买它的可能性更高，它还可以帮助捆绑产品以得到更好的效果。

通过机器学习产品之间产生的关联被称为关联剖析。
一旦我们通过检讨大量发卖数据创造关联，大数据剖析师就可以制订一条规则，以得到学习条件概率的概率测试。

分类

分类是将来自正在研究的人群中的每个个体分成许多类的过程。
这被确定为独立变量。

分类有助于剖析职员利用工具的度量来标识工具所属的种别。
为了建立有效的规则，剖析师利用数据。
数据由许多具有精确分类的工具组成。

例如，在银行决定发放贷款之前，它会评估客户偿还贷款的能力。
通过考虑客户的收入、年事、储蓄和财务历史等成分，我们可以做到这一点。
这些信息取自过去的贷款数据。
因此，寻求者利用这些数据来建立客户属性和干系风险之间的关系。

预测

考虑银行打算贷款申请人违约偿还贷款的可能性的例子。
为了打算故障的概率，系统首先须要对某些组中的可用数据进行分类。
它由剖析师规定的一套规则来描述。

一旦我们按照须要进行分类，我们就可以打算出概率。
这些概率打算可以针对各种目的在所有扇区上进行打算

目前的预测是最热门的机器学习算法之一。
我们举一个零售例子。
此前，我们能够得到诸如上个月、年等发卖报告的见地。
这种类型的报告称为历史报告。
但目前，企业更有兴趣理解下个月、年等的发卖情形。
这样，企业就可以按时做出所需的决策（涉及采购，库存等）。

萃取

信息提取（IE）是机器学习的另一个运用。
它是从非构造化数据中提取构造化信息的过程。
例如，网页、文章、博客、商业报告和电子邮件。
关系数据库掩护信息提取产生的输出。

提取过程将输入作为一组文档并天生构造化数据。
此输出为择要格式，例如Excel表格或关系数据库中的表格。

提取已成为大数据行业的关键。

正如我们所知道的那样，大量的数据一贯在天生，而且大部分数据都是非构造化的。
第一个关键寻衅是处理非构造化数据。
现在，将非构造化数据转换为基于某种模式的构造化表单，以便同样可以存储在RDBMS中。

除此之外，目前数据网络机制也在发生变革。
以前，我们以批量办法网络数据，例如结束日期（EOD），但现在，企业须要的是实时获取的数据。

回归

我们也可以将机器学习运用于回归。

假设x = x1，x2，x3，... xn是输入变量，y是结果变量。
在这种情形下，我们可以利用机器学习技能根据输入变量（x）天生输出（y）。
你可以利用模型来表示各种参数之间的关系，如下所示：

Y = g（x）个中g是取决于模型特定特色的函数。

在回归中，我们可以利用机器学习的事理来优化参数，并减少近似偏差，打算最靠近的可能结果。

我们也可以利用机器学习来进行功能优化。
选择改变输入以得到更好的模型。
这供应了一个新的、改进的模型，这便是所谓的相应面设计。

结论

总之，这里列出的机器学习运用程序仅仅是改进我们生活的许多方法中的一部分，而随着人工智能的进步，机器学习也会有更多的落地！