Module 02 · Data Science Topics

Applications of Machine Learning机器学习的应用与关键考量

机器学习（Machine Learning）的应用已遍布各行各业。本总结概述了其在解决传统商业问题、预测分析以及金融科技（Fintech）中的主要用途。

1. 机器学习的传统应用与分析

机器学习技术现在被用来解决许多长期存在的计算难题和分析问题：

推荐系统（Recommender Systems）： 这是机器学习的主要应用之一，用于预测用户可能感兴趣的内容（如 Netflix 上的节目、Facebook 上的关注者）。
分类与聚类分析（Classification, Cluster Analysis）： 旨在对数据进行分组和分类。
市场篮子分析（Market Basket Analysis）： 找出哪些商品倾向于一起购买。过去这是一个计算难度很大的问题，现在机器学习使其成为常规操作。
预测分析（Predictive Analytics）： 使用决策树、贝叶斯分析（Bayesian Analysis）和朴素贝叶斯（Naive Bayes）等新技术来预测事物。

机器学习在金融科技领域有两大主要应用：

与 Netflix 或 Facebook 类似，推荐系统在金融投资领域也发挥着作用：

特别是在银行和金融的零售方面，欺诈检测至关重要：

实时问题： 实时确定信用卡收到的交易是否是欺诈性交易，是一个典型的机器学习问题。
模型构建： 系统必须从所有先前的交易中学习并建立模型。当新交易进来时，模型会进行计算并判断：“这笔交易没问题”，或者“这看起来不太对劲，转交给我们的欺诈检测人员检查。”

虽然像 R 语言这样的软件包使得机器学习技术的应用变得更容易，但数据科学专业人员需要关注技术使用时的权衡和限制：

应用胜于细节： 用户不一定需要了解技术的所有数学细节，但必须理解如何使用这些技术及其含义。
重要权衡： 必须理解和应对以下问题：
- 准确率（Precision）与召回率（Recall） 之间的权衡。
- 过度采样（over sampling）。
- 过度拟合（over fitting） 的问题。

了解这些权衡对于有效应用机器学习技术至关重要。