机器学习(ML)的类型:初学者指南

从图像识别到欺诈检测，机器学习(ML)和人工智能(AI)的魔力几乎无处不在。ML和人工智能共同改变了我们与数据交互的方式，并利用它实现了大规模的数字增长。在这一点上，客户也从它的魔力中受益，识别数据，然后使用这些数据来接收准确的输出。今天，在这篇博客中，我们将带你了解三种类型的机器学习。但在那之前，让我们先温习一些基础知识。

什么是机器学习?

机器学习是人工智能技术的一个子集，它通过处理数据和经验来做出预测和建议。它使机器能够通过识别数据中的某些模式来开发算法和解决问题的模型。然后，这些算法使用这些模式重新创建模型，并为客户提供相当准确的输出。

那么，机器学习的算法是如何发挥作用的呢?首先，机器学习算法是通过使用一个训练数据集来形成一个模型来学习的。当向该算法提供新的输入数据时，它倾向于在模型的基础上创建一个预测。然后检验这个预测的准确性。第二，这个精度是可接受的标准，ML算法全部设置为部署。

现在，它可以被分成许多种方式，但三种主要的机器学习类型使其突出:有监督学习、无监督学习和强化学习。让我们用放大镜来研究它们。

监督式学习

监督学习是一种算法，它使用训练数据和来自人类的反馈来学习给定输入的关系，并将其转换为期望的输出。监督学习可以用于获得预见、识别数据或对数据进行分类。该算法从数据中训练出来，以发现输入和输出变量之间的关系。一旦训练完成——通常当算法足够精确时，该算法就会应用到新的数据上。

客户成功中的业务用例示例

监督学习可以部署在客户成功细分市场有几个方面。它以以下方式帮助细分市场:

• 了解产品销售驱动因素，如有竞争力的价格，分销，广告等。
• 根据客户偿还贷款的可能性对他们进行分类
• 预测客户流失
• 预测销售目标达成的可能性
• 为招聘新员工提供决策框架
• 分析使产品最有可能被购买的产品属性
• 优化价格点并估计产品价格弹性

无监督学习

无监督学习是一种特殊类型的机器学习，是监督学习的反面。它被编程来从没有历史标记响应的输入数据中创建预测模型。无监督学习也可以用于开发数据，以进行进一步的监督学习。

这是通过过滤模式或特性来实现的，这些模式或特性可用于隔离、减少和减少当前的数据量。由于无监督学习依赖于数据及其属性，我们可以安全地假设无监督学习是数据驱动的。非监督学习任务的结果是由数据和数据格式控制的。

客户成功中的示例业务用例

• 根据不同的特征，如年龄，将顾客划分为不同的群体
• 利用不太明显的客户特征(如产品偏好)对客户进行细分
• 根据可能性来划分员工摩擦
• 将忠诚卡客户逐步划分为更细分的群体
• 通过在社交媒体数据中对客户提及的关键词进行分组，来告知产品的使用/开发。

强化学习

在强化学习(RL)中，是一种机器学习，算法产生多种输出，而不是一个输入产生一个输出。它经过训练，根据某些变量选择正确的选项。这是一种算法，它执行任务时只是试图最大化它的行为所获得的奖励。此外，它允许机器在特定的上下文中自然地检测理想的行为，从而触发机器最大化其性能。简单地说，它是基于奖励理想的行为或惩罚不理想的行为。强化学习通过以下步骤进行:

1. 输入状态由代理观察。
2. 决策功能是用来使代理执行一个动作。
3. 在行为被执行后，主体会从环境中获得奖励或强化。
4. 存储关于奖励的状态-动作对信息。

客户成功中的示例业务用例

• 改进资源管理:加强学习部署在谷歌的数据中心，以有效地满足我们的电力需求，从而降低主要成本。
• 为客户提供个性化的建议脸谱网．
• 为客户提供更有意义的通知。

监督学习、非监督学习、强化学习

现在让我们看看机器学习的三种类型——监督学习、非监督学习和强化学习之间的区别。一个麦肯锡的报告让我们关注一下这个问题:

分开的想法

当我们成功地追踪到三种机器学习类型及其各自的用例时，有必要指出，在许多实例中，差异被模糊了。幸运的是，由于机器学习的好处，我们的世界正在慢慢改变，并且在我们的日常生活中越来越普遍。这将帮助我们了解我们正在使用或将在不久的将来使用的技术的基础和先进版本。

现代的,聪明的
客户成功的平台

大规模交付客户成果

得到一个演示