最近在寫機器學習的白話系列主題文章，突然有人問我，機器學習到底有什么用，如何才能用到實際生活中。我覺得很有必要停下腳步，來認真思考一下這個問題：機器學習，包括深度學習，自然語言處理，如何真正應用到實際生活中去。希望大家能夠踴躍討論。

說到機器學習，最出名的無非就是Google的AlphaGo這樣的項目，機器在人類傳統(tǒng)的智力游戲中，無情而殘酷的戰(zhàn)勝了人類。當然，對于大部分正在讀這篇文章的你來說，對于大部分正在學習機器學習的人來說，那只是一個終極目標。支撐著AlphaGo的服務器資源和海量數(shù)據(jù)不是任何機構(gòu)可以獲得的。
在沒有大量數(shù)據(jù)資源和服務器資源的情況下，機器學習到底可以怎么應用到生活中呢？

隨著Tensorflow的發(fā)布，其實我們已經(jīng)可以在手機程序中使用人工智能了，下面的圖就是Tensorflow通過ImageNet進行圖像識別的例子。

當然，圖像識別只是一個基礎功能，如何使得圖像識別應用在實際生活中，則是一個需要研究的課題。同時，由于手機這樣的設備，運算能力有限，精度不是很高的情況下，如何滿足實際需要，也是一個課題。

當然，如果你懂一些硬件的話，也可以和樹莓派一起做一個智能硬件，做一個小車到處逛，順便執(zhí)行一些簡單的任務。

http://www.leiphone.com/news/201703/2MCSRGD5XpPNbK8c.html

機器學習，一般來說，能做的事情，一種是分類任務，一種是回歸任務。
分類的話，在Tensorflow發(fā)布的時候，日本有個大叔做了一個智能黃瓜分類器，將原本農(nóng)作物的分類分揀工作，交給了機器去完成。但是我看了一下，除了垃圾分類之外，暫時也沒有什么需要我們?nèi)シ诸惖臇|西。當然，如果能夠做到機器學習的自動垃圾分類，也是一個好的主意，做一個智能垃圾回收站。
http://www.infoq.com/cn/news/2016/09/tensorflow-cucumbers

如果你的工作有需要分類的任務，而且對于結(jié)果精度要求不高，則可以嘗試一下，例如茶葉的分揀。
做HR的或許可以將簡歷信息和最后錄取情況作為數(shù)據(jù)，訓練出一個簡歷篩選的工具，幫助降低工作強度，當然也可能導致自己失業(yè)。

說到回歸任務，也就是預測。說到預測，呵呵，股票預測。
股票預測到底靠不靠譜，我覺得，中國股市是一個政策導向的市場，這種市場的預測基本沒戲。
其他預測，我也暫時沒有想到什么好的項目。原因就是，找到帶有標簽的大量數(shù)據(jù)源是一件成本非常高的事情。用爬蟲去抓取數(shù)據(jù)，然后進行標簽的整理，也是相當耗時間的事情。

真的要用好機器學習，在這個框架泛濫的時代，可能領域?qū)＜冶葯C器學習專家更加重要。Keras這樣的框架，如果加上一個可視化的UI，普通人都可以做神經(jīng)網(wǎng)絡了。

自然語言處理，也是機器學習的一個分支。大致有兩種模型，一個是LDA主題模型。一個是情感分析模型。
實際生活中的應用，一般也就是抓取各種點評文字，然后通過點評分值，歸納出分值和文字之間的特征。我遇到過一個項目，是金融業(yè)的。金融網(wǎng)站會有各種行業(yè)里面的針對公司的新聞（相當于數(shù)據(jù)），證券公司會有對于公司股票級別的評定（買入，持有，賣出，相當于標簽），然后將歷年的新聞和評級收集起來，做成一個新聞VS評級的模型（輸入新聞，輸出評級）。有了這個模型之后，通過爬蟲去抓取實時新聞，計算出新聞中出現(xiàn)的公司可能出現(xiàn)的股票評級變化情況，推送通知相關客戶。這個項目的效果還不知道，或許沒有什么實際價值。

現(xiàn)在流行創(chuàng)業(yè)，很多人，包括我在內(nèi)，也希望抓住機器學習這個風口，做一個創(chuàng)業(yè)項目。我也深深知道，其實當今資本時代，技術的地位沒有那么重要了。除非能夠潛心研究一個高大上，無法被抄襲的東西出來。機器學習的核心價值，是大數(shù)據(jù)和模型。如果有機會拿到一些很有價值的，稀缺性的數(shù)據(jù)，然后訓練，調(diào)整出一個高精度的模型，則就離成功很近了。高價值，沒有被人利用的數(shù)據(jù)在哪？能夠訓練出什么獨特的模型，解決實際的問題？找到問題的答案，這個是關鍵。

關注公眾號 TensorFlow教室 深度學習，機器學習，自然語言處理。

總結(jié)

以上是生活随笔為你收集整理的机器学习如何应用到实际生活和创业中的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。