从科幻小说到可靠和多样化的放大了商业运作的多个要素的商业工具，机器学习已经走过了很长一段路。机器学习对业务绩效的影响可能非常大，因此需要实施机器学习算法以保持许多领域和行业的竞争力。
将机器学习实施到业务运营是一个战略步骤，需要大量资源。 因此，知道你希望ML为你的特定业务做什么以及不同类型的ML算法带来什么样的好处是非常重要的。在本文中，我们将介绍主要类型的机器学习算法，解释每个算法的目的，并了解它们的优点。
监督学习算法是直接监督运行的一种算法。在这种情况下，开发人员可以标记样本数据语并设置算法运行的严格边界。
这是一个“喂食”版本的机器学习：
你选择什么样的输入（样本）来“喂”算法;
需要什么样的结果（例如“是/否”或“真/假”）。
从机器的角度来看，这个过程或多或少是一个“连接点”的例行程序。
监督学习的主要目的是扩展数据范围，并根据标记的样本数据预测未知标记的数据，未来的或由已标记的样本无法推断的数据。
监督机器学习包括两个主要过程：分类和回归。
分类是基于过去的数据样本标记并且手动训练算法以识别某些类型的对象，并相应地对它们进行分类的过程。系统必须知道如何区分信息类型，并进行特定对象的识别（特定数据是否符合或不符合特定要求的方式为“是”或“否”） 。
回归是识别模式和计算连续结果预测的过程。系统必须理解这些数字，数值，分组（例如，高度和宽度）等。
最常用的监督机器学习有：
线性回归
逻辑回归
随机森林
梯度下降决策树
支持向量机（SVM）
神经网络
决策树
朴素贝叶斯
邻近邻居（Nearest Neighbor）
监督学习算法使用实例：
监督学习最常用的领域是销售，零售商业和股票交易中的价格预测和趋势预测。 在这两种情况下，算法都使用传入数据来评估结果的可能性并计算可能的结果。最好的例子是像Seismic和Highspot这样的销售支持平台，它们使用这种算法来模拟各种可能的情景以供考虑。
监督学习的商业案例包括将广告技术操作作为广告内容交付顺序的一部分的情况。 监督学习算法的作用是评估广告空间的价格及其在实时出价过程中的价值，并将预算支出保持在特定限制之下。（例如，单个购买的价格范围和总体预算的某时段）
无监督学习是指不直接控制模型进展的。 如果监督机器学习的要点是在知道标签的状况下需要对数据进行分类，那么在无监督机器学习算法下，期望的结果是未知并且尚未定义的。
两者之间的另一个重要区别是，监督学习专门使用标记数据，而无监督学习则使用未标记数据。
无监督机器学习用于：
探索数据的结构
从数据中提取有价值的信息
发现数据中的模式
将以上用于实际问题中，以提高效率
换句话说，无监督机器学习通过筛选信息并理解信息来描述信息。
无监督学习算法应用以下方式来描述数据：
聚类：它是对用于基于其内部模式将其分割成有意义的组，分割出的组没有任何前验知识。分组的凭据由各个数据对象的相似性以及与其余数据对象的不相似性（也可用于检测异常）来定义。
维度降低：传入数据中存在大量噪音。 机器学习算法使用降维来消除噪声，同时提取相关信息。
最常用的无监督学习算法有：
K-Means聚类
t-SNE（t-Distributed Stochastic Neighbor Embedding）
PCA（主成分分析）
关联规则（Association Rule）
无监督学习算法使用实例：
数字营销和广告技术是无人监督学习被用于最大效果的领域。 除此之外，无监督学习通常用于探索客户信息并相应地调整服务。关键问题在于，传入的数据中有很多所谓的“已知未知数”。 业务运营的有效性取决于能够理解未标记数据并从中提取相关见解的能力。
无监督算法定义了现代数据管理。 目前，Lotame和Salesforce是实施此ML算法的最前沿数据管理平台之一。
因此，可以使用无监督学习来基于某些凭证来识别目标受众群体（它可以是行为数据，个人数据的元素，特定的软件设置等）。 此算法可用于开发更有效的广告内容定位，也可用于识别广告系列效果中的模式。
半监督学习算法是介于监督和无监督算法之间的一种算法。 本质上，半监督模型将两者的某些方面结合到一个自己的计算中。
半监督算法的工作原理为：
半监督机器学习算法使用一组数量较小的有标记的样本数据来完成某些操作的要求（如自我训练）。
样本数量的使得训练出的模型为部分训练模型（Partial-trained model），该模型的任务是获取未标记数据的标记，其结果被认为是伪标记数据。
最后，结合标记和伪标记的数据集，这创建了一种独特的算法，该算法结合了监督和无监督学习的描述性和预测性。
半监督学习使用分类过程来识别数据资产和聚类过程，以将其分组为不同的部分。
半监督机器学习使用实例：
法律和医疗等行业在半监督学习的帮助下得以管理网络内容分类，进行图像及语音分析。
在Web内容分类的情况下，半监督学习应用于爬虫引擎和内容聚合系统。 在这两种情况下，它都使用各种标签来分析内容并将其排列在特定配置中。 但是，此程序通常需要人工输入才能进一步分类。
一个优秀例子是uClassify。 此类别的另一个着名工具是GATE（General Architecture for Text Engineering，文本工程的通用架构）。在图像和语音分析的情况下，算法执行标记以提供基于样本库的具有相干转录的可行图像或语音分析模型。 例如，它可以是MRI或CT扫描。 利用一小组示例性扫描，可以提供能够识别图像中的异常的相干模型。
强化学习通常被理解为人工智能。
实质上，强化学习就是开发一种自我维持的系统，该系统在连续的尝试和失败序列中，基于标记数据的组合和与传入数据的交互来改进自身。
强化ML使用称为探索/开发的技术。其机制很简单，即动作发生、观察结果，根据上一个结果做出下一个动作。
在强化中心，学习算法是在执行特定任务时发生的奖励信号。在某种程度上，奖励信号用作增强算法的导航工具。他们让人理解正确和错误的行动方针。
两种主要类型的奖励信号是：
正奖励信号鼓励特定的行动顺序持续进行
负奖励信号因执行任务而受到惩罚，并促使其纠正算法以停止惩罚。
然而，奖励信号的功能可以根据信息的特征而变化。因此，可以根据操作的要求进一步对奖励信号进行分类。总体而言，该系统试图最大化正奖励以最大限度地减少负面影响。
最常用的强化学习算法包括：
Q-Learning
瞬时差分（Temporal Difference，TD）
蒙特卡洛树搜索（Monte-Carlo Tree Search，MCTS）
Asynchronous Actor-Critic Agents (A3C)
强化机器学习的应用场景：
强化机器学习适用于可用信息有限或不连贯的情况。在这种情况下，算法的操作过程可以通过与数据和相关进程的交互来形成。
现代NPC和其他视频游戏大量使用强化学习模型。强化学习让AI对玩家的行为有更加灵活地反应，从而为玩家提供了挑战。例如，碰撞检测功能将强化学习算法用于侠盗猎车手系列中的移动车辆和人员。
自动驾驶汽车也依赖于强化学习算法。例如，如果自动驾驶汽车（如Waymo）检测到前方是左转道路，它就会激活“向左转”场景，依此类推。强化学习这种适应变化的最着名的例子是AlphaGo与世界排名第二的围棋玩家直接对决，其通过计算当前棋盘位置的动作序列来战胜人类选手。
另一方面，营销和广告技术运营也使用强化学习。强化学习可以通过适应用户的行为和周围环境，使重定向操作更灵活，并更有效地提供转换。
此外，强化学习用于放大和调整自然语言处理（NLP）及聊天机器人的对话生成：
模仿输入消息的风格
开发更具吸引力，信息量更大的回复
根据用户反应找到相关的答案
随着Google DialogFlow构建的出现，这种机器人成为了用户体验的挑战而非技术层面。
如上所述，不同类型的机器学习算法正在解决不同类型的问题。 不同算法的结合使得其能够处理各种各样的任务并从各种数据中提取有价值的信息。
无论应用企业是出租车应用程序还是食品配送服务，甚至是社交媒体移动应用程序，一切都可以从机器学习算法中受益。 准备开始了吗？ APP解决方案团队会利用他们的专业知识将ML算法构建并实施到各种类型的项目中，我们很期待看到机器学习的应用持续增长。
联系客服
