林轩田机器学习基石入门（二）

上一节中我们主要讲到机器学习的应用场景，而这一节主要向大家介绍我们身边机器学习的例子，让大家对机器学习有更多的直观了解。

 

机器学习如今已渗透在我们的日行中，这很让人惊讶，你每天都能够接触到它。

 

 

对于人们来说“衣食住行”是每天的基础要求。

 

当你肚子饿想点外卖时，外卖App会根据你之前食用过的餐厅以及点评来向你推荐新的餐厅，若恰巧在用餐高峰期需要同时处理成百上千份订单时，智能物流系统会给外卖小哥分配订单，并告知应该按照什么线路行进，各自到哪些餐厅取餐，并送到哪些地址，最终可以做到让小哥少跑冤枉路，于是你便能愉快，及时的吃上美味的一餐。

 

当你今天想买件美美哒的衣服穿时，不自觉的你奔向了马云爸爸，“马云爸爸真好，老是卖些我喜欢的小裙子惹。”其实那是TB根据你之前买过的衣服，甚至经常浏览过的物品后使用推荐系统给你推送的，它甚至还能根据你买过的物品来推断出你是什么样的年龄段、职位和喜好等等。

 

而关于住，开发商可能会根据机器学习模型来预测出要开发楼盘的价位以作参考（如果太低了，可能就不来这开发了），而聪明的投资者可能也会利用模型来决定是否要投资这些楼盘。

 

而在交通上，智能系统能根据城市车流实况推算出合适的梳理安排；而车子的标牌可以被机器识别，这也就免去了人工的劳累。

 

 

 

机器学习在教育上也能够做到因材施教，有些习题系统可以根据往常学生们做题情况来判断题目难易程度，并结合你之前的做题情况给你推荐适合你的习题，让你学习更高效合理。

 

 

而它在娱乐上应用也很多，比如国外Netflix电影网站的电影推荐系统，而这家网站之前曾出资一百万美元（6845500人民币）来奖赏那些能将推荐系统准确性提高10%的人。所以“书中自有黄金屋”，古人诚不欺我。

 

 

而电影推荐系统是怎么工作的呢？我们来简单看一下。

 

比如《泰坦尼克号》这部电影，它上映以来许多用户给予了很高的评分，并且从许多用户的评论和对影片截取分析，系统可以学习到它的分类（爱情占75%），演员（小李子出屏率80%），时长（3h算长的概率70%），有无吻戏（相比别的影片出现的比例40%），等等一系列因素；

 

而系统则会根据你之前看过的电影评分来猜测你的喜好：喜好看爱情片的概率60%，喜欢小李子70%，喜欢看吻戏50%等等，而如果这部电影和你的喜好比对相似，那么电影系统则会将它推荐给你。

 

    关注我们 | 获取更多系统性学习文章