01-3-典型机器学习应用领域.pptx

机器学习概述机器学习与算法应用第一章 CONTENT目录 02机器学习、人工智能和数据挖掘04机器学习算法分类01机器学习简介03典型机器学习应用领域05机器学习的一般流程 课前回顾01OPTION02OPTION03OPTION什么是人工智能什么是数据挖掘机器学习、人工智能与数据挖掘的关系机器学习概述—机器学习、人工智能和数据挖掘 0 3典型机器学习应用领域艺术创作金融领域医疗领域自然语言处理网络安全工业领域机器学习在娱乐行业的应用 典型机器学习应用领域机器学习可以显着提高企业的智能水平并增强其竞争力，对各个行业的影响越来越大。机器学习应用程序的典型领域包括：网络安全，搜索引擎，产品推荐，自动驾驶，图像识别，语音识别，量化投资，自然语言处理等。随着海量数据的积累和硬件计算能力的提高，机器学习的应用领域仍在迅速扩展中。 典型机器学习应用领域---艺术创作在图像处理中有许多应用，如卷积神经网络（CNN）等在图像处理中具有天然的优势。机器学习被广泛应用于图像处理领域，除了图像识别，照片分类，图像隐藏等以外，还涉及图像生成，美化，恢复和图像场景描述等。2015年，脸书(Facebook)公司开发了可描述图片内容的应用程序，通过描述图片中的背景，字符，对象和场景来帮助视障人士理解图片的内容。主要的应用技术是图像识别实现对图片中对象的识别，但是内容的描述以故事的形式返回，还需要自然语言的生成技术，这是人工智能领域当前的难点之一。 典型机器学习应用领域---艺术创作艺术画合成借助深层的神经网络，人们可以通过合成画出充满艺术气息的图画。其原理是使用卷积神经网络提取模板图片中的绘画特征，然后应用马尔可夫随机场（MRF）来处理输入的涂鸦图片，最后合成一张新图片。下图显示了Neural Doodle项目的应用效果。（左图是油画模板，中图是用户的涂鸦作品，右图是合成后的新作品） 典型机器学习应用领域---艺术创作将对抗性神经网络（GAN）和卷积神经网络相结合，并将MRF理论应用于现有图片修复的缺失部分。使用经过培训的VGG Net作为纹理生成网络可以删除现有图片中的干扰对象，这种技术具有广泛的应用范围。 典型机器学习应用领域---艺术创作谷歌(Google)公司的PlaNet神经网络模型可以识别照片中的地理位置（不使用照片的Extif位置数据）。 该模型的训练使用了约1.26亿张网络图片，将图片的Extif位置信息用作标记，以对除北，南，极和海洋以外的地球区域进行网格划分，从而使图片相对应到特定的网格该部门使用约9100万张图片进行培训，使用约3400万张图片进行验证，以及使用Flickr中约2300万张图片进行测试，大约3.6％的图片可以准确地识别到街道上，28％的照片可以准确地识别出其所在的国家，48％的照片可以准确地识别出其所在的大陆板块。识别的误差距离约为1131公里，在相同情况下，图片位置的人为定位误差距离为2320公里。尽管训练样本的数量很大，但最终的神经网络模型的大小仅为377MB。 0 3典型机器学习应用领域艺术创作金融领域医疗领域自然语言处理网络安全工业领域机器学习在娱乐行业的应用 典型机器学习应用领域---金融领域金融与人们的日常生活息息相关，例如食物，衣服，住房和交通。与人类相比，机器学习在处理金融行业业务方面更为有效，它可以同时准确地分析成千上万的股票并在短时间内得出结论，它没有人为的缺点，在处理财务问题上更可靠和稳定，通过建立欺诈或异常检测模型，有效地检测出细微的模式差异并提高结果的准确性，来提高财务安全性。 典型机器学习应用领域---金融领域在信用评分方面，评分模型用于评估信用过程中的各种风险并进行监督，根据客户的职业，薪水，行业，历史信用记录等信息确定客户的信用评分，这不仅可以降低风险，而且可以加快贷款流程，减少尽职调查的工作量并提高效率。在欺诈检测中，基于收集的历史数据训练机器学习模型，以预测欺诈的可能性。与传统检测相比，此方法花费的时间更少，并且可以检测到更复杂的欺诈。在训练过程中，应注意样本类别的不平衡，以防止过度拟合。 典型机器学习应用领域---金融领域在股市趋势预测方面，机器学习算法用于分析上市公司的资产负债表，现金流量表以及其他财务数据和公司运营数据，并提取与股价或指数有关的特征以进行预测。使用与公司相关的第三方信息（例如政策法规，新闻或社交网络中的信息），通过自然语言处理技术来分析舆情观点或情感指向，为股价预测提供支持，从而使预测结果更准确。应用监督学习方法建立两个数据集之间的关系，以便使用一个数据集来预测另一数据集的结果，例如使用回归分析通胀对股票市场的影响等、在股票市场中使用无监督学习方法对影响因素的分析揭示背后的主要规则；深度学习适用于处理非结构化大数据集并提取不容易明确表达的特征；强化学习的目