1.3 应用示例

让我们看一下机器学习任务的一些具体示例，以及可以解决这些任务的技术：

分析生产线上的产品图像来对产品进行自动分类

　　这是图像分类，通常使用卷积神经网络（CNN，见第14章），有时使用Transformer（见第16章）。

通过脑部扫描发现肿瘤

　　这是语义图像分割，其中图像中的每个像素都被分类（因为我们想要确定肿瘤的确切位置和形状），通常使用CNN或Transformer。

自动分类新闻文章

　　这是自然语言处理，更具体地说是文本分类，可以使用循环神经网络和CNN来解决，但Transformer效果更好（见第16章）。

自动标记论坛中的恶评

　　这也是文本分类，使用相同的NLP工具。

自动对长文档做总结

　　这是NLP的一个分支，称为文本摘要，使用相同的工具。

创建聊天机器人或个人助理

　　这涉及许多NLP组件，包括自然语言理解（Natural Language Understanding，NLU）和问答模块。

根据许多绩效指标来预测公司下一年的收入

　　这是一个回归任务（即预测值），可以使用任何回归模型来解决，例如线性回归或多项式回归模型（见第4章）、回归支持向量机（见第5章）、回归随机森林（见第7章）或人工神经网络（见第10章）。如果你考虑过去的绩效指标，你可能需要使用RNN、CNN或Transformer（见第15章和第16章）。

让应用程序对语音命令做出反应

　　这是语音识别，需要处理音频样本：由于它们是很长、很复杂的序列，因此通常使用RNN、CNN或Transformer进行处理（见第15章和第16章）。

检测信用卡欺诈

　　这是异常检测，可以使用隔离森林、高斯混合模型（见第9章）或自动编码器（见第17章）来解决。

根据客户的购买情况对客户进行细分，从而你可以为每个细分设计不同的营销策略

　　这就是聚类，可以使用k均值、DBSCAN等来实现（见第9章）。

在清晰又有洞察力的图表中表示复杂的高维数据集

　　这是数据可视化，通常涉及降维技术（见第8章）。

根据过去的购买情况推荐客户可能感兴趣的产品

　　这是一个推荐系统。一种方法是将过去的购买情况（以及有关客户的其他信息）提供给人工神经网络（见第10章），并让它输出客户下一次最有可能购买的产品。这个神经网络通常会根据所有客户过去的购买记录进行训练。

为游戏构建智能机器人

　　这通常使用强化学习（Reinforcement Learning，RL；见第18章）来解决。强化学习是机器学习的一个分支，它在给定的环境（例如游戏）中，训练智能体（例如机器人）选择能够随着时间的推移最大化其奖励的行动（例如，机器人可能会在玩家每次失去一些生命点数时获得奖励）。在围棋比赛中打败世界冠军的著名AlphaGo程序就是使用RL构建的。

这个列表可以一直延伸下去，但希望它能让你了解机器学习可以处理任务的广度和复杂性，以及你在每项任务中会用到的技术类型。