01 概述

我们正处在由机器学习推动的一场变革之中。以下是一些我们每天都能见到的机器学习应用实例。这些应用涵盖了从智能手机中的机器学习应用，到我们日常交易中的方方面面。

02 智能手机中的机器学习

您是否知道机器学习几乎支撑着智能手机的大部分功能？

从设置闹钟的语音助手，到寻找最佳餐厅，再到通过面部识别解锁手机——机器学习已经深深地融入我们最喜欢的设备中。

语音助手

我们已经见识过与虚拟助手交流的例子，这实际上是语音识别的应用——一个机器学习的新兴领域。

现在，语音助手无处不在。您一定使用过（或至少听说过）以下流行的语音助手：

• Apple的Siri
• Google智能助手
• 亚马逊的Alexa
• Google Duplex
• 微软的Cortana
• 三星的Bixby

所有这些语音助手都由机器学习算法驱动。它们利用自然语言处理（NLP）来识别语音，将语音转换为数字信号，并制定相应的回应。

随着机器学习技术的进步，这些助手在未来将变得更加智能。如果您想自己构建一个语音识别系统，以下教程将为您提供帮助：

• 学习如何构建自己的语音识别系统（使用Python）

  https://www.analyticsvidhya.com/blog/2019/07/learn-build-first-speech-to-text-model-python/

智能手机相机

机器学习与智能手机相机的关系十分密切。现在的手机能够拍摄令人惊叹的照片以及照片的深度——这一切都要归功于机器学习算法。这些算法分析图像中的每一个像素，以检测物体、模糊背景并运用各种技巧。

这些机器学习算法可以做几件事来改进和增强智能手机相机的效果：

• 对象检测：用于定位和单独显示图像中的对象（或人）
• 补充图片中缺失的部分
• 使用特定类型的神经网络（如生成对抗网络GAN）来增强图像，甚至扩展图像的边界

如果您有兴趣了解更多关于如何利用机器学习构建自己的智能手机相机软件的信息，以下教程将为您提供帮助：

• Google Pixel相机背后的深度学习技术简介

  https://www.analyticsvidhya.com/blog/2019/02/tutorial-semantic-segmentation-google-deeplab/

App Store和Play商店推荐

您是否注意到Google Play和Apple的App Store中推荐的应用程序？“为您推荐”功能基于您手机上安装的应用程序（或之前使用过的）。

很多人不知道的是，智能手机运用了一种称为面部识别的技术来实现这一点。面部识别的核心是——没错——机器学习。

面部识别的应用非常广泛，世界各地的企业和组织已经从中受益：

• Facebook用它来识别照片中的人物
• 政府正在应用它来识别和抓捕罪犯
• 机场用于验证乘客和机组人员等

面部识别模型的使用在未来几年内只会越来越多，因此为什么不自学如何从头开始构建一个？

• 面部识别简介（使用Python代码）

  https://www.analyticsvidhya.com/blog/2018/08/a-simple-introduction-to-facial-recognition-with-python-codes/

03 运输业中的机器学习

在过去十年里，机器学习在运输业的应用已经达到了前所未有的水平。这与Uber、Lyft、Ola等打车应用的兴起密切相关。

这些公司利用机器学习来优化其产品，从规划最佳路线到决定道路涨价。以下是一些运输业中常用的机器学习应用示例。

动态定价

您是否经常对出租车公司使用的高峰期价格感到不满？想象一下，您正在启动一项打车业务。您需要规划城市中每条道路的打车价格，既要吸引客户，又要提高利润。一种方法是手动将价格映射到每条道路上，但这不是理想的解决方案。

动态定价在这种情况下起着至关重要的作用。这意味着价格可以根据不断变化的市场条件进行调整。因此，价格取决于位置、时间、天气、整体需求等因素。动态定价是各种行业中蓬勃发展的做法，如旅游、酒店、交通和物流等。

Uber中的交通和通勤

动态定价并不是Uber唯一使用的机器学习应用。他们主要依靠机器学习来决定乘客从A点到B点的最佳路线。

对我们来说，这似乎是一个相当简单的解决方案：输入起点、终点和最近的司机来接我们。但实际上，在Uber的后端，这是一个复杂的架构和服务网络。

目前有多种机器学习技术可以优化我们的路线。以下文章将帮助您更多地了解Uber如何利用机器学习来识别有效路线：

• Uber工程师如何实现高效路线

  https://eng.uber.com/engineering-an-efficient-route/

谷歌地图

您可能已经猜到了，谷歌地图是机器学习应用的主要例子。实际上，我建议您立即打开谷歌地图，体验其提供的不同功能。

以下是我能够看到的（并且已经广泛使用的）功能：

• 路线：从A点到B点
• 预计行程时间
• 沿途交通状况
• “探索附近”功能：餐厅、加油站、ATM、酒店、购物中心等

谷歌运用大量的机器学习算法来生成所有这些功能。机器学习已经深深嵌入谷歌地图中，这就是为什么每次更新后道路变得更加智能化的原因。

预计行程时间功能几乎完美。如果它显示“40分钟”到达目的地，您可以确定您的行程时间会在该时间轴附近。我们爱机器学习！

04 主流Web服务中的机器学习

这一部分一定会让您感兴趣。我们每天都会与某些应用程序进行多次交互。直到最近，我们才意识到这一点——大多数应用程序之所以能够工作，主要是因为机器学习的强大功能和灵活性。

以下是您非常熟悉的四个应用。现在，从机器学习的角度来看待它们。

邮件过滤

您是如何处理工作中的电子邮件的？或者您的个人邮箱是否充满了垃圾邮件？我们都遇到过这种情况。我的收件箱曾经一次收到超过11,000封未读邮件！

如果我们能够编写规则来根据主题过滤电子邮件，那将大大简化我们的生活。例如，将营销邮件移动到一个文件夹，将工作相关的邮件移动到主收件箱（等等）。

事实上，这就是大多数电子邮件服务正在做的事情！它们运用机器学习来解析邮件的主题行，并根据主题对其进行分类。以Gmail为例。谷歌运用的机器学习算法已经通过数百万封邮件的训练，因此可以无缝工作。

虽然Gmail允许我们自定义标签，但该服务提供默认标签：

• 次要
• 社交
• 营销

收到邮件后，机器学习算法会立刻将其分类到这三个标签中的一个。如果Gmail认为它是“次要”邮件，我们会立刻收到通知。

当然，Gmail还运用机器学习来判断邮件是否是垃圾邮件——这是一个我们都非常感激的功能。多年来，谷歌的算法在判断邮件是否为垃圾邮件方面变得越来越智能。这就是为什么获取更多数据对机器学习算法变得非常重要的原因——谷歌拥有丰富的数据资源。

谷歌搜索

这可能是最受欢迎的机器学习应用之一。每个人都在使用谷歌搜索，我们大多数人每天都会多次使用它。可以说，我们认为谷歌会为我们提供最好的搜索结果。

但谷歌搜索是如何工作的？

谷歌搜索已经成为一个难以破解的庞然大物。只有那些设计谷歌搜索的人才知道它的运作原理。有一点我们可以肯定的是——谷歌运用机器学习为其搜索引擎提供动力。

谷歌不断训练和改进其算法的数据量是我们无法想象的数字。世界上没有计算器可以告诉我们谷歌在过去二十年中处理了多少查询。这是数据科学的一个特征！

现在，假设您需要建立自己的谷歌搜索。您会使用什么规则？您会包括什么样的内容？您将如何排名网站？这篇文章将帮助您入门：

• 用简单的语言解释谷歌PageRank

  https://www.analyticsvidhya.com/blog/2015/04/pagerank-explained-simple/

谷歌翻译

我使用谷歌翻译学习了德语、西班牙语和意大利语等多种语言。每当遇到一些外语文本时，谷歌翻译总是能够迅速给出答案。

毫不奇怪，谷歌运用机器学习来理解和翻译用户发送的句子。机器学习已经深深嵌入谷歌的生态系统中，我们从中受益匪浅。

幸运的是，我们了解谷歌如何运用机器学习为其翻译引擎提供支持。以下文章将帮助您深入了解并开始使用该主题：

• 必读NLP教程：神经机器翻译——谷歌翻译背后的技术

  https://www.analyticsvidhya.com/blog/2019/01/neural-machine-translation-keras/

LinkedIn和Facebook的推荐和广告

社交媒体平台是机器学习的经典应用案例。与谷歌一样，这些平台已经将机器学习整合到其架构中。从您的动态消息到您看到的广告类型，这一切都可以通过机器学习来实现。

我们经常看到的“你可能认识的人”功能。这是所有社交媒体平台，如Twitter、Facebook、LinkedIn等的常见功能。这些公司运用机器学习算法来查看您的个人资料、兴趣、当前朋友及其朋友以及其他许多变量。

然后，该算法生成与特定模式匹配的人员列表。然后向您推荐这些人，希望您能够想要了解他们（或者至少有与您非常相似的个人资料）。

多亏了LinkedIn的系统，我联系了许多我的专业同事和大学朋友。这是机器学习的一个应用，对参与该过程的所有人都有益。

我们看到的广告也是以类似的方式工作的。它们根据您的喜好、兴趣，尤其是您最近的阅读或购买历史来定制。如果您是许多数据科学小组的一员，Facebook或LinkedIn的机器学习算法可能会建议您参加数据科学课程。

下次使用社交媒体时请注意这一点。这是机器学习背后的力量！

05 销售和营销中的机器学习

世界顶级公司正在利用机器学习彻底改变他们的策略。受影响最大的两个领域是市场营销和销售！

现在，如果您从事营销或销售工作，至少需要了解一种商业智能工具（如Tableau或Power BI）。此外，营销人员应该知道如何在日常工作中应用机器学习来提高品牌知名度、改善底线等。

以下是三个流行的营销和销售应用案例，其中机器学习正在改变它们的工作方式。

推荐引擎

我们之前简要介绍过推荐引擎。我提到这些系统无处不在。但它们在营销和销售领域的用途在哪里？如何？

让我们通过一个简单的例子来理解这一点。在IMDb（和Netflix）出现之前，我们都习惯去DVD商店或依靠谷歌搜索要观看的电影。店员会给我们一些可以看的建议，我们经常拿一些我们不知道的电影。

由于推荐引擎，这个世界几乎完全改变了。我们可以登录网站，它会根据我的喜好和以前的浏览历史向我推荐产品和服务。一些流行的推荐引擎示例：

• 电子商务网站，如亚马逊和Flipkart
• 预订网站，如Goodreads
• 电影服务，如IMDb和Netflix
• 酒店网站，如MakeMyTrip和Booking.com
• 批发服务，如StitchFix
• 食品配送商，如Zomato和Uber Eats

推荐引擎无处不在，营销和销售部门比以往任何时候都更倾向于吸引（并留住）新客户。

我鼓励您阅读以下关于如何构建自己的推荐引擎的初学者友好教程：

• 从零开始构建推荐引擎的综合指南（Python）

  https://www.analyticsvidhya.com/blog/2018/06/comprehensive-guide-recommendation-engine-python/

个性化营销

推荐引擎是个性化营销的一个组成部分。个性化营销的含义在于名称本身——这是一种根据个人需求量身定制的营销技巧。

想象一下：您从信用卡或贷款公司获得的免费服务电话数量有多少？这些电话提供相同的服务，但不了解您想要（或不想要）的内容。传统营销现在已经过时，远远落后于数字革命。

现在想象一下，如果这些电话或电子邮件高度个性化。如果您是一个大购物狂，反映在您的购买历史中，消息可能是关于扩大信用额度的新服务。或者，如果您是机器学习爱好者，电子邮件可以提供符合您口味的课程。

个性化营销的潜力巨大。机器学习有助于识别客户群并为这些细分市场定制营销活动。您可以通过开放率、点击率等指标定期检查广告系列的效果。

强烈建议您阅读以下指南，这将帮助您重塑您的数字营销策略：

• 每个数据科学家必须阅读的数字营销和分析综合指南

  https://www.analyticsvidhya.com/blog/2018/12/guide-digital-marketing-analytics/

客户支持查询（和聊天机器人）

如果您曾经处理过客户支持，您将在非常个人的层面上了解这一点。那些可怕的电话、无尽的等待、未解决的问题——所有这些都增加了非常令人沮丧的用户体验。

机器学习有助于消除所有这些障碍。通过自然语言处理（NLP）和情感分析的概念，机器学习算法可以理解我们所说的内容以及我们说话的语气。

我们可以将这些查询大致分为两类：

• 基于语音的查询
• 基于文本的查询

对于前者，机器学习算法检测语音和情绪以将查询重定向到适当的客户支持人员。然后他们可以相应地处理用户。

另一方面，基于文本的查询现在几乎完全由聊天机器人处理。几乎所有企业现在都在其网站上应用这些聊天机器人。它们消除了等待的障碍，并立即提供答案——因此，一个超级有用的用户体验。

我们已经汇总了两篇文章，介绍如何构建聊天机器人：

• 了解如何使用Rasa在几分钟内构建和部署聊天机器人（IPL案例研究）

  https://www.analyticsvidhya.com/blog/2019/04/learn-build-chatbot-rasa-nlp-ipl/

• 使用Python构建FAQ聊天机器人——信息搜索的未来

  https://www.analyticsvidhya.com/blog/2018/01/faq-chatbots-the-future-of-information-searching/

06 安全业中的机器学习

机器学习也在颠覆安全行业。传统安全的日子，保安人员常常坐在那里观察车辆数量下降和阻止可疑人员——这种状况正逐渐被淘汰。

企业正在运用机器学习来更好地分析威胁并应对对抗性攻击。这些应用案例扩展到线上线下的威胁（银行欺诈、金融威胁等）。

视频监控

全球组织正在利用视频监控来执行各种任务，例如检测入侵者、识别暴力威胁、捕捉犯罪分子等。

然而，这一切都不是手动完成的。这将耗费大量时间。因此，机器学习算法正被用于嵌入这些监控摄像头中的软件。

这些机器学习算法运用各种计算机视觉技术（如目标检测）来识别潜在威胁并逮捕违法者。

这是一个非常独特的安全应用案例：

• “天空之眼”是一个机器学习项目，可以检测人群中的暴力人群

  https://www.analyticsvidhya.com/blog/2018/06/eye-in-the-sky-is-a-machine-learning-project-that-detects-violent-people-in-crowds/

网络安全（验证码）

“我不是机器人”——这句话是不是很熟悉？当我们遇到网站怀疑处理的是机器而非人类时，常常会看到这个按钮。

这些测试称为CAPTCHA，是完全自动化公共图灵测试的缩写。我们被要求识别交通灯、树木、人行横道和其他物体，以证明我们确实是人类。

交通灯和树木被其他物体遮盖，汽车越来越模糊，人行横道越来越远，以及各种各样的复杂情况。为什么网站让我们的生活更加困难？答案在于机器学习。

Verge网站说得最好：

“由于CAPTCHA是训练人工智能的好工具，因此任何给定的测试都只能是暂时的，这也是发明者一开始就承认的。随着所有这些研究人员、骗子和普通人在人工智能可以做的事情上解决了数十亿个谜题，在某些时候机器将会通过我们。”

因此，谷歌正在利用机器学习使CAPTCHA变得更加复杂。研究人员正在运用图像识别技术破解这些CAPTCHA，从而提高后端的安全性。

07 财务领域的机器学习

机器学习在金融领域的应用最为广泛。这是有道理的——这是数字领域的一个极端。直到最近，许多金融机构都习惯于依靠逻辑回归（一种简单的机器学习算法）来处理这些数字。

金融领域的机器学习有许多应用。让我们看看您可能遇到的两个非常常见的问题。

银行中的欺诈检测

您是否曾经成为信用卡欺诈的受害者？这是一次痛苦的经历。银行要求您填写的文书工作加剧了欺诈的影响。

幸运的是，机器学习正在改变这个过程的不同层面。从欺诈检测到欺诈预防，机器学习算法正在改变银行改善客户体验的方式。

在这个领域面临的挑战是跟上网络威胁的速度。这些对手总是在曲线前面。一旦最新的机器学习解决方案出现，这些威胁就会完善它并在此基础上构建。

话虽如此，机器学习肯定有助于简化流程。这些算法可以识别欺诈性交易并标记它们，以便银行可以尽快与客户联系以确认他们是否进行了交易。

一个好的例子是分析客户的消费模式。如果购买不符合这种模式（金额过高，或来自其他国家/地区等），则算法会提示银行并将交易置于保留状态。

以下两篇文章由网络安全和机器学习专家撰写，解释了如何构建强大的恶意软件检测模型：

• 应用深度学习的力量实现网络安全（第一部分）

  https://www.analyticsvidhya.com/blog/2018/07/using-power-deep-learning-cyber-security/

• 应用深度学习的力量实现网络安全（第二部分）

  https://www.analyticsvidhya.com/blog/2019/05/using-power-deep-learning-cyber-security-2/

个性化银行业务

推荐引擎的另一个应用是专门针对银行业务的。此时您应该非常熟悉个性化——所以，在继续阅读之前，请考虑个性化银行业务可能意味着什么。

我们已经了解了针对客户群体并为其定制优惠的银行。个性化银行业务将这一概念提升到一个新的层次。

理想的个性化方案是利用机器学习来预测用户的需求，并针对每个人的细分市场进行定制。正如BCG报告所述：

“银行业的个性化主要不是销售。它是关于提供服务、信息和建议，通常是每天，甚至一天几次。与不常见的销售沟通相反，这种互动构成了客户银行体验的关键。”

阅读完整的BCG文章：

• 银行业的个性化意味着什么？

  https://www.bcg.com/publications/2019/what-does-personalization-banking-really-mean.aspx

08 其他主流机器学习应用案例

我想将这部分机器学习应用案例作为一个单独的类别。我会持续更新这一部分，让我们先来看一个非常有趣的应用案例——自动驾驶汽车！

自动驾驶汽车

在我们介绍的所有应用中，自动驾驶汽车最让我着迷。这是我们利用硬件和机器学习所取得的成就。

自动驾驶汽车的优势在于机器学习的三个主要方面——监督学习、无监督学习和强化学习——在汽车的设计中得到了广泛应用。

以下是利用机器学习的自动驾驶汽车的一些功能：

• 检测汽车周围的物体
• 检测后方车辆、人行道的位置和交通信号灯的距离
• 评估驾驶员的状态
• 场景分类，以及其他许多事情

09 总结

我们正处在机器学习的黄金时代。您必须想象这个美妙领域的广阔前景和无限可能性。

作者：Pranav Dar，Analytics Vidhya的高级编辑