【ML】现实生活中的十大机器学习示例（让世界变得更美好）

Sonhhxg_柒

已于 2023-03-12 19:07:20 修改

阅读量6k

点赞数 7

分类专栏：机器学习（ML）文章标签：人工智能 Powered by 金山文档

于 2023-02-07 21:55:27 首次发布

本文链接：https://blog.csdn.net/sikh_0529/article/details/128923613

版权

机器学习（ML）专栏收录该内容

147 篇文章 148 订阅

订阅专栏

人工智能 (AI) 发展突飞猛进，预计市场规模达73.5 亿美元。机器学习 (ML) 是人工智能的一个领域，它以各种方式改善我们的日常生活。ML 涉及一组算法，这些算法允许软件系统在预测结果时变得更加准确和精确。

由于计算机科学、统计学、神经网络的发展以及数据集质量和数量的提高，机器学习近年来一直处于前沿。在这里，我们深入研究机器学习示例，为您提供更好的视角。特别是，我们将研究现实生活中影响并旨在让世界变得更美好的机器学习示例。

什么是机器学习？

1950 年代人工智能先驱亚瑟·塞缪尔 (Arthur Samuel) 创造了“机器学习”一词。机器学习是计算机科学和人工智能 (AI) 的一个分支。这里的重点是使用数据和算法来模仿人类的学习方式并逐步提高其准确性。

今天我们可以看到很多机器学习的真实例子。我们可能知道也可能不知道机器学习被用于各种应用，例如语音搜索技术、图像识别、自动翻译、自动驾驶汽车等。

机器学习算法的四种类型是什么？

正如我们之前提到的，机器学习算法使机器能够识别数据模式，进而从训练数据中学习。在进入 python 中的机器学习示例或我们突出显示的机器学习现实生活示例之前，让我们通过示例看一下四种关键的机器学习类型。

监督学习

在监督学习中，我们将算法的输出输入系统，以便机器在处理模式之前了解模式。换句话说，该算法根据已标记为特定输出的输入数据进行训练。该模型会接受训练，直到它可以检测到输入数据和输出标签之间的潜在模式和关系，从而使其能够在呈现前所未见的数据时产生准确的标记结果。

半监督学习

半监督学习使用少量标记数据和大量未标记数据的组合来训练模型。这里的方法涉及使用标记训练数据的监督机器学习和使用未标记训练数据的无监督学习。

无监督学习

无监督学习方法非常适合揭示未标记数据集中的关系和见解。模型提供具有未知期望结果的输入数据。因此，推论是在没有培训或指导的情况下根据间接证据做出的。机器学习聚类示例属于这种学习算法。

强化学习

机器学习中的强化学习方法确定在情况下选择的最佳路径或选项以最大化奖励。日常生活中的关键机器学习示例（例如视频游戏）都使用了这种方法。除了视频游戏，机器人技术还使用强化模型和算法。

机器学习如何在日常生活中帮助我们？

以下是一些快速的机器学习领域，以及日常生活中的实用示例：

社交网络

使用适当的表情符号、Facebook 上有关朋友标签的建议、Instagram 上的过滤、社交媒体平台上的内容推荐和推荐关注者等，都是机器学习如何帮助我们进行社交网络的示例。

个人理财和银行解决方案

无论是欺诈预防、信用决策，还是在我们的智能手机上检查存款，机器学习都可以做到。

通勤估算

识别到我们选择的目的地的路线，估计使用不同的交通方式到达目的地所需的时间，计算通行时间等等都是通过机器学习完成的。

现实生活中机器学习的十大例子（让世界变得更美好）

机器学习在广泛的应用程序列表中影响着当今的各个行业。在我们的日常生活中，机器学习有很多不同的应用。以下是对我们的生活产生影响的一瞥。

1. 保健与医学诊断

机器学习处理医学和医疗保健中的预后和诊断问题。疾病突破、患者监测和管理、医疗数据分析以及不适当医疗数据的管理只是医疗保健领域众多机器学习示例中的一部分。

利用递归神经网络(RNN) 结合顺序和静态特征建模来预测心脏骤停。

事实证明，RNN 在处理基于时间序列的数据时表现出色。通常在实际生活数据中，补充的静态特征可能是可用的，由于它们的非顺序性，这些特征不能直接合并到 RNN 中。所描述的方法涉及向 RNN 添加静态特征以影响学习过程。以前解决该问题的方法是为每种模式实施多个模型，并在预测级别组合它们。将这两种方法组合到同一个模型架构中，可以让模型同时从静态和时间特征中学习。

我们得出结论，与单独使用顺序和静态特征相比，添加静态特征可以提高 RNN 的性能。

在通过 AI 预测生物年龄的挑战中，Humanity 和 Omdena 团队压缩了高通量标记，例如来自用户的活动和其他生活方式行为数据（例如饮食、体重、社会经济状况），以开发预测生物年龄的加权算法结果。

该团队已经建立了一个系统，该系统在一侧接受正在监测的用户属性和生活方式行为（活动率、睡眠、冥想、饮食等），并使用用户生理年龄测量的持续增加或减少来决定哪些行动最有效，以何种组合以及何时进行。然后，该系统还会匹配具有相似属性的用户，以使用为一个用户设置的洞察力和权重来影响给予操作的权重以及对另一个用户的操作组合。

2. 图像中的人脸检测

机器学习在建筑物、风景或其他人体部位（如腿或手）等非人脸物体中的人脸检测中得到应用。它在通过追踪恐怖分子和罪犯加强监视技术方面发挥着至关重要的作用，使世界变得更加安全。

图片来源：Child Growth Monitor应用演示

儿童生长监测器(CGM) 是该领域的颠覆性应用程序，因为它取代了复杂、缓慢且昂贵的传统人体测量方法，这些方法经常导致数据不佳和对情况的错误评估。在通过计算机视觉识别营养不良儿童的挑战中，Omdena 和 CGM 使用其最先进的开源神经网络算法预测 5 岁以下儿童的身高、体重和中上臂围 (MUAC) 的测量值判断孩子是否营养不良。本次挑战赛的目标是提高 CGM 神经网络预测的准确性，让 90% 的儿童得到的身高测量误差小于 1 厘米。

3.通勤预测

使用地图和路线的平台中的机器学习通过 ML 算法计算出交通较少的最快路线、到达时间、上车地点和到达目的地的最佳路线，确保准时。机器学习技术结合了深度学习模型来探索交通、复杂的道路相互作用和环境因素。它帮助解决了许多交通瓶颈，从而提高了一个国家的安全、经济和生活质量。救护车等紧急车辆可以找到最短、最快捷的方式到达医院，从而挽救生命。此外，人们可以节省时间而不是被堵在路上，并且一天的工作效率更高。