机器学习

金融服务

金融行业中的银行和其他企业使用机器学习技术的两个主要目的是：识别数据中的重要洞察和预防欺诈。这些洞察可以识别投资机会，或帮助投资者知道应何时进行交易。数据挖掘还可以识别具有高风险个人资料的客户，或使用网络监控来确定欺诈的警告信号。

政府

政府机构（例如公共安全和公共事业）对机器学习有特殊的需求，因为它们有多种可供挖掘以获取洞察的数据源。例如，通过分析传感器数据来确定提高效率和节省资金的方法。机器学习还可以帮助检测欺诈并最大程度地减少身份盗用。

医疗保健

能够使用数据实时评估患者健康的可穿戴设备和传感器的出现，让机器学习成为医疗保健行业中一个快速增长的趋势。该技术还可以帮助医学专家分析数据，以识别可能促成诊断和治疗改进的趋势或危险信号。

零售业

网站根据之前的购买历史来推荐您可能喜欢的商品，这些网站正在使用机器学习来分析您的购买历史。零售商依靠机器学习来捕获数据、对其进行分析并将其用于个性化购物体验、营销活动实施、价格优化、商品供应计划以及客户洞察。

石油和天然气

寻找新能源。分析地下的矿物。预测炼油厂传感器故障。简化石油经销，使其更高效、更具成本效益。该行业的机器学习用例数量众多，并且还在不断增加。

交通运输

分析数据以识别模式和趋势是交通运输行业的关键，这取决于让路线更高效并预测潜在问题以提高盈利能力。机器学习的数据分析和建模这两方面是快递公司、公共交通和其他运输组织的重要工具。

有监督学习算法使用标记的示例进行训练，比如已知所需输出的输入。例如，一台设备可能具有标记为“F”（失败）或“R”（运行）的数据点。学习算法接收一组输入以及相应的正确输出，该算法通过将其实际输出与正确输出进行比较以发现错误来进行学习。然后，它会相应地修改模型。有监督学习通过分类、回归、预测和梯度增加等方法，使用模式来预测其他未标记数据上的标记值。有监督学习通常用于通过历史数据预测未来可能发生事件的应用。例如，它可以预测信用卡交易何时可能是欺诈，或者哪个保险客户可能提出索赔。

无监督学习用于没有历史标签的数据。系统未被告知“正确答案”。该算法必须判断出所显示的内容。其目的是探索数据并在其中找寻一些结构。无监督学习在事务数据上的工作效果很好。例如，它可以识别具有相似特性的客户细分，之后可以在市场营销活动对这些客户采取类似措施。或者，它可以找到将客户群体彼此区分开来的主要特性。常见的技术包括自组织映射、最近邻映射、k 均值聚类和奇异值分解。这些算法还用于细分文本主题、推荐项目并识别数据离群值。

半监督学习用于与有监督学习相同的应用。但是，它同时使用标记和未标记的数据进行训练，通常使用的是少量标记数据和大量未标记数据（因为未标记数据的价格较低，并且更容易获得）。这种类型的学习可以与分类、回归和预测之类的方法一起使用。当因标记相关成本太高而无法进行完全标记的培训过程时，半监督学习将非常有用。早期的示例包括在网络摄像头上进行人脸识别。

强化学习通常用于机器人技术、游戏和导航。借助强化学习，该算法可以通过反复试验发现哪些动作会产生最大回报。这种类型的学习具有三个主要组成部分：代理（学习者或决策者）、环境（代理与之交互的所有内容）和动作（代理可以做的事情）。代理的目标是选择在给定的时间内最大化预期回报的操作。代理将通过遵循良好的政策，更快地达到目标。因此，强化学习的目标是学习最佳政策。