機器學習 - 應用
鬧鐘響起，小明大喊著：「Hey，Siri！幫我關閉鬧鐘！」，Siri 回應：「小明，已經幫你關閉上午7點的鬧鐘。」小明慵懶地盥洗過後，開啟新聞頻道，看著氣象預報：今日台北天氣濕冷，平均溫度15度，最高溫18度，最低溫9度...。想到今早有貴重的客戶來訪，小明決定早點進公司，索性叫了台 Uber，舒適地在後座滑著手機，打開 FB App，看著財經粉絲專頁的股市分析文章，頁面還不時彈出理財投資的廣告，到達公司後，透過臉部辨識系統，通過公司的門禁管制入口...
短短不到兩個小時的時間，從起床到公司的過程，生活細節中結合了多少機器學習的應用，語音的處理、機器的認知、天氣預報、溫度的預測、Uber 車輛配置、財經分析、廣告投放、臉部辨識...等，皆為機器學習的應用。
機器學習常見的應用
- 回歸 (Regression)
相信許多讀者對於回歸一詞應該不陌生，在統計學中，回歸是一門必備的學問與工具，無論是資料分析師、資料科學家，甚至是AI工程師，對於回歸都必須要有基礎的認知，就讓我們來看回歸有那些常見的應用吧！
(1) 溫度預測
(2) 預測股價波動
(3) 市場房價行情預測
傳統的回歸分析較常應用在數值的預測，而同被稱作回歸的羅吉斯回歸(Logistic Regression)則較常應用在區分類別上；前者應用強調在找出一個最貼近歷史數據的預測線(數據模型)，後者則強調找出最佳的分類線(判別模型)，換言之，傳統回歸擅於解決連續性議題，羅吉斯回歸則適用離散性議題。羅吉斯回歸常見的應用如下所示：
(1) 垃圾郵件分類
(2) 銀行信用風險等級分類
- 分類 (Classification)
分類的演算法相當多元，族繁不及備載，許多其他種類的演算法稍作微調也能作為分類的機器學習模型(羅吉斯回歸便為此例)，也因為分類的機器學習較為具體、發展過程較悠久，目前分類的機器學習演算法也較其他領域來的成熟及多元，以下舉例常見的分類應用：
(1) 電子商務 - 商品分類
(2) 無人駕駛 - 影像辨識
(3) 醫療數據分析、影像辨識 - 疾病預測
- 分群 (Clustering)
分群也就是非監督式學習的經典應用，相較於分類的機器學習演算法來說，分群相關的研究較少，但部分機器學習專家深信：分群將會是未來邁向強人工智慧的關鍵。(目前發展的人工智慧仍屬於弱人工智慧)分群常見的應用如下：
(1) 使用者/客戶分群
(2) 動植物種類分群
(3) 畫作風格轉移 (GAN，生成對抗網路)
- 關聯性 (Association)
關聯性分析最經典的應用即為 Walmart 啤酒&尿布一例(沒看過可參考：大數據崛起一文文末)，簡單來說，從事物發生or出現的頻率中，交叉計算出不同事物同時出現的關聯性及依賴性。應用如下：
(1) 賣場促銷活動 (分析客戶購買行為)
(2) 故障排除機制 (分析故障發生主因)
- 推薦系統 (Recommendation)
推薦系統顧名思義即為推薦給使用者，所以主要的應用多出現在電子商務；無形又大量的出現在人們的生活，習以為常的網路世界中，置入性行銷已是電子商務的主要商業模式，舉例而言：
(1) 好友推薦 (社群網路)
(2) 商品廣告推薦 (網頁廣告、彈出視窗)
(3) Youtube/Netflix 影音串流推薦
以上簡單舉例機器學習常見的應用，我們可以發現：機器學習已廣泛地出現在我們生活當中，人工智慧時代並非未來式，而是現在進行式，未來機器學習能有什麼更創新的應用，相信大家也都相當好奇，就讓自由團隊持續為大家解密！若您有其他想法，歡迎提出您的觀點與建議，進一步與我們交流！(AI.Free.Team@gmail.com)