并非所有的问题都适合用机器学习解决（很多逻辑清晰的问题用规则能很高效和准确地处理），也没有一个机器学习算法可以通用于所有问题。咱们先来了解了解，机器学习，到底关心和解决什么样的问题。
从功能的角度分类，机器学习在一定量级的数据上，可以解决下列问题：
1.分类问题
根据数据样本上抽取出的特征，判定其属于有限个类别中的哪一个。比如：
垃圾邮件识别（结果类别：1、垃圾邮件 2、正常邮件）
文本情感褒贬分析（结果类别：1、褒 2、贬）
图像内容识别识别（结果类别：1、喵星人 2、汪星人 3、人类 4、草泥马 5、都不是）
2.回归问题
根据数据样本上抽取出的特征，预测一个连续值的结果。比如：
星爷《美人鱼》票房
大帝都2个月后的房价
隔壁熊孩子一天来你家几次，宠幸你多少玩具
3.聚类问题
根据数据样本上抽取出的特征，让样本抱抱团（相近/相关的样本在一团内）比如：
google的新闻分类
用户群体划分
我们再把上述常见问题划到机器学习最典型的2个分类上。
分类与回归问题需要用已知结果的数据做训练，属于“监督学习”
聚类的问题不需要已知标签，属于“非监督学习”。
如果在IT行业（尤其是互联网）里溜达一圈，你会发现机器学习在以下热点问题中有广泛应用：
1.计算机视觉
典型的应用包括：人脸识别、车牌识别、扫描文字识别、图片内容识别、图片搜索等等。
2.自然语言处理
典型的应用包括：搜索引擎智能匹配、文本内容理解、文本情绪判断，语音识别、输入法、机器翻译等等。
3.社会网络分析
典型的应用包括：用户画像、网络关联分析、欺诈作弊发现、热点发现等等。
4.推荐
典型的应用包括：虾米音乐的“歌曲推荐”，某宝的“猜你喜欢”等等。
| 欢迎光临 机器人与人工智能爱好者论坛 (http://robot-ai.org/) | Powered by Discuz! X3.2 |