机器学习（ML）是过去十年中最具影响力的技术进步之一，几乎影响到每一个行业和学科。从帮助企业提供更先进的、个性化的客户服务，到在几秒钟内处理大量数据，ML正在彻底改变我们每天做事的方式。
那么，什么是机器学习--以及它是如何被用于各个行业的呢？在这篇文章中，我们将讨论机器学习的应用，该技术如何在各个领域发挥作用，以及为什么你应该考虑用机器学习技能来提高自己的专业能力。
什么是机器学习？
根据IBM的说法，机器学习是一种人工智能（AI），可以改善软件系统处理和分类数据的方式。这个术语本身就描述了这个过程--ML算法模仿人类的学习，并随着时间的推移逐渐改进，因为它们接受的数据集更大。机器学习是一个复杂的话题，有很多变量，但我们的指南《什么是机器学习》可以帮助你了解更多关于ML和它的许多用途。
一般来说，有四种类型的机器学习：有监督的、无监督的、半监督的和强化的。每种类型的机器学习都擅长不同的任务，所以了解它们之间的差异可以帮助你知道何时部署每种类型。
有监督的学习
监督式机器学习，也被称为监督式学习，使用加权的数据集来帮助算法学习。在实践中，监督学习算法是 "通过实例来学习"。训练数据以预先分类和标记的方式被送入算法，这教会了算法如何根据预先设定的特征进行分类。经过足够的训练后，该算法可以类似地对未被预先分类或标记的原始数据进行分类。有监督的机器学习算法很擅长将数据分类到预先设定的类别中，如识别垃圾邮件或将不同的图像区分开来。
无监督学习
无监督机器学习使用算法对无标签和无结构的数据进行聚类和分类。这些算法善于在没有人类干预的情况下发现数据中的模式。这在不同数据类别之间没有明确划分的情况下很有用。例如，无监督的机器学习经常被用来在客户将物品添加到他们的在线购物车后向他们推荐类似的物品。有很多情况下，数据不适合整齐的分类，这就是无监督机器学习算法的优势。
半监督学习
半监督机器学习结合了监督和非监督的机器学习技术和方法，以便对数据进行分类或识别。半监督学习涉及对一些数据进行标记，并为算法提供一些规则和结构，以作为分类和识别数据的起点。以这种方式使用少量的标记数据可以显著提高算法的准确性。半监督学习的一个常见应用是对扫描文件中的内容进行分类--包括打字的和手写的。一般来说，半监督学习算法使用结构化和非结构化算法中的特征，以实现这一目标。
强化学习
当一个算法需要在一个复杂的、不确定的环境中做出一系列决定时，就会使用强化学习。强化学习算法被设计成一个类似游戏的规则系统，以加强或阻止某些选择，算法试图使其 "分数 "最大化。在建立强化学习算法时，程序员设定了游戏的 "规则"，但不提供计算机应该从哪里开始的建议。然后计算机使用试验和错误来开发手头问题的最佳解决方案。强化学习算法被用于语言处理、自动驾驶汽车和谷歌的AlphaGo等游戏AI。
机器学习与数据科学不同。机器学习训练算法来识别和分类不同的数据类型，而数据科学则帮助专业人士检查、清理和转换数据，以用于此。了解这些过程之间的差异对于任何对机器学习感兴趣的人来说都很重要。
机器学习适用于多个专业领域。你可以通过各种方式了解机器学习，包括自学、传统大学学位课程和在线训练营。机器学习是伯克利数据分析训练营课程的一部分，它让学生深入了解机器学习的工作原理。另一个机器学习经常出现的领域是金融。伯克利金融科技训练营可以帮助展示机器学习如何在金融领域具体运作。
对你来说，最好的选择取决于你的个人兴趣、目标和你想追求的领域。下面，我们深入探讨八个行业以及ML在每个行业中的应用。
机器学习如何在金融业工作？
金融和机器学习是一对天然的组合。金融是一个非常重数据的行业，而机器学习的重点是有效地处理和归类大量的数据。金融业的机器学习可以帮助企业处理原始数据，发现趋势并创建围绕金融产品的数据模型。
金融机器学习实例
安全和反欺诈保护
安全对于金融、银行和金融服务公司来说至关重要。随着公司规模越来越大，与更多的客户合作，审查所有交易和新用户注册的过程文件很快就会变得令人生畏。机器学习算法可以帮助金融公司有效地处理所有这些数据。比如说。Coinbase，一个主要的加密货币交易所，在用户注册过程中使用机器学习来检测欺诈。如果用户上传的文件与提供的信息不匹配，他们的文件将被标记或拒绝。这有助于防止平台上的欺诈行为，减少人员成本和欺诈相关的支出。
流程自动化
机器学习还提供了机会，使那些曾经完全由人类员工负责的流程自动化。这是许多行业的一个更广泛的例子，但数据驱动的金融部门对使用机器学习来实现流程自动化特别感兴趣。例如，到2024年，人工智能应用所承保的保险费总价值预计将增长到200亿美元。这是因为人工智能和ML辅助的流程可以更快加入客户，并简化核保过程。
机器学习如何在医疗保健领域发挥作用？
机器学习是像医疗保健这样的数据驱动型领域的自然匹配。在医疗保健领域，ML协助医疗和行政专业人士分析、归类和组织医疗保健数据。ML系统帮助医院和其他医疗机构在调度、文件访问和医疗护理方面为患者提供更好的服务。人工智能和ML正在帮助推动医学研究，而IBM关于医学中的人工智能的指南可以帮助你了解更多关于医疗保健和人工智能/ML技术之间的交叉点。
医疗保健机器学习实例
帮助药剂师配药
对于消费者来说，在药店取药往往感觉是一个简单的交易，然而，药店柜台后面的情况是一个不同的故事。药剂师必须使用来自医生、病人、保险公司和药品制造商的信息，以便有效地开出药物。从历史上看，这个过程涉及许多数据孤岛，使药剂师难以获得有关病人信息的完整情况。沃尔格林与微软Azure合作，实施了一个以机器学习为动力的后端系统，以提高他们的护理质量。
每次处理新的处方请求时，沃尔格林的新系统都会智能地查询数百个数据点，几乎是即时的，并为药剂师提供一个仪表板，让他们更全面地了解药品库存水平、病人信息、保险信息等。这个由人工智能驱动的系统吸收了每个病人的所有信息，并为药剂师提供个性化的信息。该系统使沃尔格林公司能够为其客户提供更好的护理，确保在正确的时间提供正确的药物。
药物发现和开发
将一种新药推向市场可能需要花费约30亿美元，并需要约2-14年的研究。设计新分子是成本和时间的主要原因--这是一个令人难以置信的劳动密集型和复杂的过程。非结构化的机器学习算法可以创造出最佳的候选分子进行测试，这大大加快了这个过程。这可以帮助药物制造商更快、更有成本效益地开发新药，最终用新的药物疗法帮助病人。
机器学习如何在娱乐业发挥作用？
如今，在视频流媒体服务、音乐、播客等方面有很多娱乐选择。其中许多服务都将机器学习用于一个重要目的--个性化推荐。人们很容易被大量的选择所淹没。例如，YouTube表示，每分钟有超过500小时的内容被上传到视频托管平台。使用ML可以帮助人们发现最适合他们独特喜好的节目、音乐和平台。
娱乐业机器学习实例
娱乐业推荐的一个好例子来自Netflix。正如Netflix的机器学习研究页面所指出的，该公司支持190个国家的1.6亿客户。Netflix提供了许多类型的内容，从纪录片到浪漫喜剧，再到两者之间的一切。然而，每个客户的口味都不同。Netflix使用机器学习来弥合他们庞大的内容目录和用户不同的口味之间的差距。
机器学习可以根据观看者、读者或听众的喜好，向他们推荐新的内容。Netflix从其用户那里获取数据--他们所看的东西的种类，他们看了多长时间，以及用户提供的任何大拇指向上/向下的评级--来为用户匹配其广泛目录中的推荐内容。
机器学习如何在教育领域发挥作用？
教育是一个历史上变革缓慢的领域。部分原因是，在更广泛地部署之前，需要研究和了解用于教育的方法和工具的功效。随着机器学习变得越来越普遍，它对教育的影响也越来越大。教育领域的机器学习可以帮助提高学生的成功率，并使使用这种技术的教师生活更轻松。
教育机器学习实例
记笔记
机器学习算法可以有效地处理和转录口语音频，这对某些在记笔记方面有困难的学生来说是有益的。这对于失聪或重听的学生，以及患有多动症或阅读障碍的学生来说尤其如此。Otter.ai是一个为专业和教育用途设计的由ML驱动的笔记服务的例子。该服务允许学生上传课堂录音，并收到该录音材料的书面记录。
学生的成功
许多因素有助于学生的成功，而浏览教育系统可能是困难的--尤其是对于第一次上大学的学生。机器学习在教育领域的一个用例是识别和帮助高危学生。学校可以使用ML算法作为早期预警系统来识别有困难的学生，衡量他们的风险水平，并提供适当的资源来帮助他们成功。
机器学习如何在制造业中发挥作用？
制造业是机器学习可以发挥巨大作用的另一个行业。这个领域因效率而繁荣，从这个意义上说，ML的主要目的是围绕维护合理的流动性和质量水平。
制造业机器学习实例
机器学习模型可以以多种方式帮助提高制造过程中的效率。国际生产研究杂志》上的一篇文章详细介绍了制造业和工业组织如何在整个制造过程中使用机器学习。例如，计算机视觉算法可以使用机器学习在制造线上执行自动质量控制功能。这些算法可以提高供应链效率、库存控制、减少损失和提高交付率。
机器学习如何在客户服务中发挥作用？
客户服务是任何组织的重要组成部分，但它往往很耗时，需要大量的人才支出，如果实施得不好，会对企业产生重大影响。机器学习可以帮助品牌的客户服务工作，正如下面的例子所列。
客户服务机器学习实例
机器学习有望在未来几年内彻底改变客户服务行业。根据Gartner的数据，四分之一的组织目前正在部署人工智能和ML技术，但37.5%的客户服务领导人正在调查或计划在2023年之前部署聊天机器人机器学习解决方案。配备自然语言处理（NLP）技术的机器学习应用程序可以自动回答客户的问题，使客户服务员工能够专注于更复杂和重要的客户问题。算法可以提供卓越的个性化服务，并为客户问题提供快速、高效的帮助。
机器学习如何在供应链中发挥作用？
供应链管理是非常复杂的。它需要跟踪大量的部件和/或产品，了解它们的当前位置，并帮助它们到达最终目的地。机器学习以我们从未想过的方式实现了供应链行业的现代化。
供应链机器学习实例
计算机视觉
计算机视觉正是它听起来的样子--一种机器学习算法，使计算机有能力通过视频资料"看到 "和识别物体。这项技术在整个供应链行业有许多使用案例。例如，计算机视觉算法可以使机器人在仓库中导航并安全有效地移动产品。这项技术还被用于读取条形码，跟踪产品在系统中的移动，以及检查包裹是否有损坏。
需求和库存优化
供应链管理使用基于数据的预测来帮助组织预测库存量以及它在供应链上的位置。机器学习现在是供应链管理的一个主要工具。ML算法可以帮助预测不断变化的需求和优化库存，以保持产品在供应链上的流动。传感器、RFID标签、仪表和GPS模块可以向机器学习系统提供信息，让算法知道物品在整个供应链中的位置，并根据变化的情况或确定的障碍调整计划。机器学习很可能在未来成为供应链生态系统的一个更重要的部分。
机器学习如何在广告中发挥作用
随着互联网成为我们生活中更重要的一部分，支持其功能的技术将变得更加复杂。许多在线业务通过广告产生收入，而广告公司使用先进的系统，试图为每个消费者提供最相关的广告。对于任何拥有ML技能的人来说，参与广告业可以是一个很好的职业道路。
广告机器学习实例
广告平台希望为每个潜在客户匹配最适合他们情况的广告，因为个性化可以帮助推动更好的广告表现。Facebook在其推荐算法中大量使用机器学习。它的模型结合了每个用户的现有行为数据，并预测出对每个人最有利的广告类型。这是机器学习的一个伟大用例，因为处理的数据量很大。随着更多的数据被输入系统，建议也会随着时间的推移而不断改进，从而为每个用户提供更加个性化的广告。
