1.3. 机器学习应用¶
预期收益
- ☆ 了解身边的机器学习案例, 激发学习的兴趣：从衣食住行到教育、娱乐
- ★ 一种推荐系统模型
时间成本
- 阅读 03 分钟
- 思考 05 分钟
1.3.1. 衣食住行¶
- 穿着打扮推荐
- 目标, 推荐给用户服装搭配, 提升销售
- 数据, 营销数据及用户调查问卷
- 餐厅卫生安全状况
- 目标, 不需要食客自己通过口碑或者网络评论信息, 就可以获取餐厅的卫生状况
- 数据, Twitter上的餐后评价内容和地理位置信息
- 建筑物的能耗预测
- 目标, 预测建筑物的能耗, 有助于设计师修改设计方案
- 数据, 建筑物的结构状况和相对应的能耗数据
- 自动驾驶
- 目标, 识别驾驶过程中遇到的信号灯
- 数据, 各种标注好的信号灯图片
1.3.2. 教育¶
定制化测试题目(KDDCup 2010)
- 目标, 评价学生能力, 设计定制化难易程度适中的练习内容, 帮助学生快速掌握知识点
- 数据, 3000学生900W测试记录
根据学生的历史成绩判断学生的能力怎么样根据题目的历史得分情况判断题目的难易程度
1.3.3. 娱乐¶
- 电影推荐(Netflix 2016)
- 目标, 根据用户历史电影评价分数, 推荐给用户感兴趣的电影
- 数据, 1亿+评分, 48万+用户, 1.7万+电影
- music推荐(KDDCup 2011 Yahoo!)
- 目标, 推荐用户感兴趣的音乐
- 数据, 2.5亿+评分, 100万+用户, 62万+歌曲
1.3.4. Recommender System 模型¶
- 用户喜好
- 电影类型: 动作、喜剧、爱情、…
- 演员: A、B、…
- 电影特征
- 电影类型: 动作、喜剧、爱情、…
- 演员: A、B、…
注解
思路, 机器反推出来用户特征, 电影特征, 然后做内积
