從科幻小說到可靠和多樣化的放大了商業(yè)運(yùn)作的多個要素的商業(yè)工具，機(jī)器學(xué)習(xí)已經(jīng)走過了很長一段路。機(jī)器學(xué)習(xí)對業(yè)務(wù)績效的影響可能非常大，因此需要實施機(jī)器學(xué)習(xí)算法以保持許多領(lǐng)域和行業(yè)的競爭力。
將機(jī)器學(xué)習(xí)實施到業(yè)務(wù)運(yùn)營是一個戰(zhàn)略步驟，需要大量資源。 因此，知道你希望ML為你的特定業(yè)務(wù)做什么以及不同類型的ML算法帶來什么樣的好處是非常重要的。在本文中，我們將介紹主要類型的機(jī)器學(xué)習(xí)算法，解釋每個算法的目的，并了解它們的優(yōu)點。
監(jiān)督學(xué)習(xí)算法是直接監(jiān)督運(yùn)行的一種算法。在這種情況下，開發(fā)人員可以標(biāo)記樣本數(shù)據(jù)語并設(shè)置算法運(yùn)行的嚴(yán)格邊界。
這是一個“喂食”版本的機(jī)器學(xué)習(xí)：
你選擇什么樣的輸入（樣本）來“喂”算法;
需要什么樣的結(jié)果（例如“是/否”或“真/假”）。
從機(jī)器的角度來看，這個過程或多或少是一個“連接點”的例行程序。
監(jiān)督學(xué)習(xí)的主要目的是擴(kuò)展數(shù)據(jù)范圍，并根據(jù)標(biāo)記的樣本數(shù)據(jù)預(yù)測未知標(biāo)記的數(shù)據(jù)，未來的或由已標(biāo)記的樣本無法推斷的數(shù)據(jù)。
監(jiān)督機(jī)器學(xué)習(xí)包括兩個主要過程：分類和回歸。
分類是基于過去的數(shù)據(jù)樣本標(biāo)記并且手動訓(xùn)練算法以識別某些類型的對象，并相應(yīng)地對它們進(jìn)行分類的過程。系統(tǒng)必須知道如何區(qū)分信息類型，并進(jìn)行特定對象的識別（特定數(shù)據(jù)是否符合或不符合特定要求的方式為“是”或“否”） 。
回歸是識別模式和計算連續(xù)結(jié)果預(yù)測的過程。系統(tǒng)必須理解這些數(shù)字，數(shù)值，分組（例如，高度和寬度）等。
最常用的監(jiān)督機(jī)器學(xué)習(xí)有：
線性回歸
邏輯回歸
隨機(jī)森林
梯度下降決策樹
支持向量機(jī)（SVM）
神經(jīng)網(wǎng)絡(luò)
決策樹
樸素貝葉斯
鄰近鄰居（Nearest Neighbor）
監(jiān)督學(xué)習(xí)算法使用實例：
監(jiān)督學(xué)習(xí)最常用的領(lǐng)域是銷售，零售商業(yè)和股票交易中的價格預(yù)測和趨勢預(yù)測。 在這兩種情況下，算法都使用傳入數(shù)據(jù)來評估結(jié)果的可能性并計算可能的結(jié)果。最好的例子是像Seismic和Highspot這樣的銷售支持平臺，它們使用這種算法來模擬各種可能的情景以供考慮。
監(jiān)督學(xué)習(xí)的商業(yè)案例包括將廣告技術(shù)操作作為廣告內(nèi)容交付順序的一部分的情況。 監(jiān)督學(xué)習(xí)算法的作用是評估廣告空間的價格及其在實時出價過程中的價值，并將預(yù)算支出保持在特定限制之下。（例如，單個購買的價格范圍和總體預(yù)算的某時段）
無監(jiān)督學(xué)習(xí)是指不直接控制模型進(jìn)展的。 如果監(jiān)督機(jī)器學(xué)習(xí)的要點是在知道標(biāo)簽的狀況下需要對數(shù)據(jù)進(jìn)行分類，那么在無監(jiān)督機(jī)器學(xué)習(xí)算法下，期望的結(jié)果是未知并且尚未定義的。
兩者之間的另一個重要區(qū)別是，監(jiān)督學(xué)習(xí)專門使用標(biāo)記數(shù)據(jù)，而無監(jiān)督學(xué)習(xí)則使用未標(biāo)記數(shù)據(jù)。
無監(jiān)督機(jī)器學(xué)習(xí)用于：
探索數(shù)據(jù)的結(jié)構(gòu)
從數(shù)據(jù)中提取有價值的信息
發(fā)現(xiàn)數(shù)據(jù)中的模式
將以上用于實際問題中，以提高效率
換句話說，無監(jiān)督機(jī)器學(xué)習(xí)通過篩選信息并理解信息來描述信息。
無監(jiān)督學(xué)習(xí)算法應(yīng)用以下方式來描述數(shù)據(jù)：
聚類：它是對用于基于其內(nèi)部模式將其分割成有意義的組，分割出的組沒有任何前驗知識。分組的憑據(jù)由各個數(shù)據(jù)對象的相似性以及與其余數(shù)據(jù)對象的不相似性（也可用于檢測異常）來定義。
維度降低：傳入數(shù)據(jù)中存在大量噪音。 機(jī)器學(xué)習(xí)算法使用降維來消除噪聲，同時提取相關(guān)信息。
最常用的無監(jiān)督學(xué)習(xí)算法有：
K-Means聚類
t-SNE（t-Distributed Stochastic Neighbor Embedding）
PCA（主成分分析）
關(guān)聯(lián)規(guī)則（Association Rule）
無監(jiān)督學(xué)習(xí)算法使用實例：
數(shù)字營銷和廣告技術(shù)是無人監(jiān)督學(xué)習(xí)被用于最大效果的領(lǐng)域。 除此之外，無監(jiān)督學(xué)習(xí)通常用于探索客戶信息并相應(yīng)地調(diào)整服務(wù)。關(guān)鍵問題在于，傳入的數(shù)據(jù)中有很多所謂的“已知未知數(shù)”。 業(yè)務(wù)運(yùn)營的有效性取決于能夠理解未標(biāo)記數(shù)據(jù)并從中提取相關(guān)見解的能力。
無監(jiān)督算法定義了現(xiàn)代數(shù)據(jù)管理。 目前，Lotame和Salesforce是實施此ML算法的最前沿數(shù)據(jù)管理平臺之一。
因此，可以使用無監(jiān)督學(xué)習(xí)來基于某些憑證來識別目標(biāo)受眾群體（它可以是行為數(shù)據(jù)，個人數(shù)據(jù)的元素，特定的軟件設(shè)置等）。 此算法可用于開發(fā)更有效的廣告內(nèi)容定位，也可用于識別廣告系列效果中的模式。
半監(jiān)督學(xué)習(xí)算法是介于監(jiān)督和無監(jiān)督算法之間的一種算法。 本質(zhì)上，半監(jiān)督模型將兩者的某些方面結(jié)合到一個自己的計算中。
半監(jiān)督算法的工作原理為：
半監(jiān)督機(jī)器學(xué)習(xí)算法使用一組數(shù)量較小的有標(biāo)記的樣本數(shù)據(jù)來完成某些操作的要求（如自我訓(xùn)練）。
樣本數(shù)量的使得訓(xùn)練出的模型為部分訓(xùn)練模型（Partial-trained model），該模型的任務(wù)是獲取未標(biāo)記數(shù)據(jù)的標(biāo)記，其結(jié)果被認(rèn)為是偽標(biāo)記數(shù)據(jù)。
最后，結(jié)合標(biāo)記和偽標(biāo)記的數(shù)據(jù)集，這創(chuàng)建了一種獨特的算法，該算法結(jié)合了監(jiān)督和無監(jiān)督學(xué)習(xí)的描述性和預(yù)測性。
半監(jiān)督學(xué)習(xí)使用分類過程來識別數(shù)據(jù)資產(chǎn)和聚類過程，以將其分組為不同的部分。
半監(jiān)督機(jī)器學(xué)習(xí)使用實例：
法律和醫(yī)療等行業(yè)在半監(jiān)督學(xué)習(xí)的幫助下得以管理網(wǎng)絡(luò)內(nèi)容分類，進(jìn)行圖像及語音分析。
在Web內(nèi)容分類的情況下，半監(jiān)督學(xué)習(xí)應(yīng)用于爬蟲引擎和內(nèi)容聚合系統(tǒng)。 在這兩種情況下，它都使用各種標(biāo)簽來分析內(nèi)容并將其排列在特定配置中。 但是，此程序通常需要人工輸入才能進(jìn)一步分類。
一個優(yōu)秀例子是uClassify。 此類別的另一個著名工具是GATE（General Architecture for Text Engineering，文本工程的通用架構(gòu)）。在圖像和語音分析的情況下，算法執(zhí)行標(biāo)記以提供基于樣本庫的具有相干轉(zhuǎn)錄的可行圖像或語音分析模型。 例如，它可以是MRI或CT掃描。 利用一小組示例性掃描，可以提供能夠識別圖像中的異常的相干模型。
強(qiáng)化學(xué)習(xí)通常被理解為人工智能。
實質(zhì)上，強(qiáng)化學(xué)習(xí)就是開發(fā)一種自我維持的系統(tǒng)，該系統(tǒng)在連續(xù)的嘗試和失敗序列中，基于標(biāo)記數(shù)據(jù)的組合和與傳入數(shù)據(jù)的交互來改進(jìn)自身。
強(qiáng)化ML使用稱為探索/開發(fā)的技術(shù)。其機(jī)制很簡單，即動作發(fā)生、觀察結(jié)果，根據(jù)上一個結(jié)果做出下一個動作。
在強(qiáng)化中心，學(xué)習(xí)算法是在執(zhí)行特定任務(wù)時發(fā)生的獎勵信號。在某種程度上，獎勵信號用作增強(qiáng)算法的導(dǎo)航工具。他們讓人理解正確和錯誤的行動方針。
兩種主要類型的獎勵信號是：
正獎勵信號鼓勵特定的行動順序持續(xù)進(jìn)行
負(fù)獎勵信號因執(zhí)行任務(wù)而受到懲罰，并促使其糾正算法以停止懲罰。
然而，獎勵信號的功能可以根據(jù)信息的特征而變化。因此，可以根據(jù)操作的要求進(jìn)一步對獎勵信號進(jìn)行分類?？傮w而言，該系統(tǒng)試圖最大化正獎勵以最大限度地減少負(fù)面影響。
最常用的強(qiáng)化學(xué)習(xí)算法包括：
Q-Learning
瞬時差分（Temporal Difference，TD）
蒙特卡洛樹搜索（Monte-Carlo Tree Search，MCTS）
Asynchronous Actor-Critic Agents (A3C)
強(qiáng)化機(jī)器學(xué)習(xí)的應(yīng)用場景：
強(qiáng)化機(jī)器學(xué)習(xí)適用于可用信息有限或不連貫的情況。在這種情況下，算法的操作過程可以通過與數(shù)據(jù)和相關(guān)進(jìn)程的交互來形成。
現(xiàn)代NPC和其他視頻游戲大量使用強(qiáng)化學(xué)習(xí)模型。強(qiáng)化學(xué)習(xí)讓AI對玩家的行為有更加靈活地反應(yīng)，從而為玩家提供了挑戰(zhàn)。例如，碰撞檢測功能將強(qiáng)化學(xué)習(xí)算法用于俠盜獵車手系列中的移動車輛和人員。
自動駕駛汽車也依賴于強(qiáng)化學(xué)習(xí)算法。例如，如果自動駕駛汽車（如Waymo）檢測到前方是左轉(zhuǎn)道路，它就會激活“向左轉(zhuǎn)”場景，依此類推。強(qiáng)化學(xué)習(xí)這種適應(yīng)變化的最著名的例子是AlphaGo與世界排名第二的圍棋玩家直接對決，其通過計算當(dāng)前棋盤位置的動作序列來戰(zhàn)勝人類選手。
另一方面，營銷和廣告技術(shù)運(yùn)營也使用強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)可以通過適應(yīng)用戶的行為和周圍環(huán)境，使重定向操作更靈活，并更有效地提供轉(zhuǎn)換。
此外，強(qiáng)化學(xué)習(xí)用于放大和調(diào)整自然語言處理（NLP）及聊天機(jī)器人的對話生成：
模仿輸入消息的風(fēng)格
開發(fā)更具吸引力，信息量更大的回復(fù)
根據(jù)用戶反應(yīng)找到相關(guān)的答案
隨著Google DialogFlow構(gòu)建的出現(xiàn)，這種機(jī)器人成為了用戶體驗的挑戰(zhàn)而非技術(shù)層面。
如上所述，不同類型的機(jī)器學(xué)習(xí)算法正在解決不同類型的問題。 不同算法的結(jié)合使得其能夠處理各種各樣的任務(wù)并從各種數(shù)據(jù)中提取有價值的信息。
無論應(yīng)用企業(yè)是出租車應(yīng)用程序還是食品配送服務(wù)，甚至是社交媒體移動應(yīng)用程序，一切都可以從機(jī)器學(xué)習(xí)算法中受益。 準(zhǔn)備開始了嗎？ APP解決方案團(tuán)隊會利用他們的專業(yè)知識將ML算法構(gòu)建并實施到各種類型的項目中，我們很期待看到機(jī)器學(xué)習(xí)的應(yīng)用持續(xù)增長。
聯(lián)系客服
