这篇文章最初写于 2019 年，没想到在 2023 年，我才基于机器学习，确切的说是深度学习，实现了两个项目。真是由衷地感慨变化之快：
垃圾邮件过滤
监督学习，需要训练数据。
提取访客的人群特征
非监督学习，无需训练数据。
例如，收集到自己博客的访客信息之后，在没有训练数据的前提下，自动提取特征。例如，
- 男女比例
- 男性更喜欢哪些分类的文章
- 周末女性更喜欢哪些分类的文章
- 凌晨时分哪些分类更受关注
超市商品关联度
非监督学习，无需训练数据。
根据结算时顾客的购物清单，推算出关联性高的商品，例如，红酒和红酒起子。方便超市运营人员，调整货架，将关联度高的商品距离拉近。
周期性数据预测
...
google 照片 app 的图片自动分类功能
半监督学习，即提供大部分的 labeled 数据及小部分 unlabeled 数据。
用户上传照片为 unlabeled 数据，google 照片服务通过非监督学习将图片按照其中的人脸进行自动分类。只需要用户输入标签，就可以标识某张图片里的人具体是谁。（输入标签为训练过程）
五花八门的机器学习算法们
还有一堆高大上的算法分类名，虽然有各种知名的案例，例如 alpha 狗，但是其实现逻辑我完全不了解，估计就算开源了，我也没有兴趣看。。。
hands-on machine learning with scikit-learn & tensorflow 这本书中介绍的绝大多数机器学习应用场景，我都没有兴趣。。。因为看上去毫无应用价值。
所以最佳的学习方法就是找一个感兴趣的业务类型，应用机器学习的理论看看有没有产出。
产业互联网
https://developers.google.cn/machine-learning/crash-course/
今天早上腾讯提到转型，提了这么一个词，产业互联网。类似工业互联网这种概念。 都是做自动化，和智能化。
而机器学习在做图像识别上，完全可以跟咱们身边的行业产生联系，例如，苹果上有几个虫眼，自动对苹果进行分类；包装上是否有划痕；摄像头前的手势控制等。这些在机器学习里都是非常简单的应用。
咱们实现起来几乎没有难度，只有一点学习成本。
现在 ios 和 windows uwp 都内置了机器学习模块，即可以导入训练好的模型，实现离线判断。
这个趋势我们尝试追赶一下。
机器学习书籍推荐
微信关注我哦 👍
我是来自山东烟台的一名开发者，有感兴趣的话题，或者软件开发需求，欢迎加微信 zhongwei 聊聊， 查看更多联系方式