2.5　应用场景

机器学习的应用非常广泛。我们日常生活中所接触的广告推荐系统、智能图片美化及聊天机器人等各种应用中，许多采用了大量的机器学习和数据处理算法，实现不同的功能以满足人类的各种需求。下面简单介绍三种较为典型的应用场景。

1. 金融安全

据2017年6月网络安全评价服务平台“安全值”的调查分析，金融业已成为我国网络安全关注度较高的10个重点行业之一，金融机构已经成为网络犯罪的主要目标。与传统金融业务不同，互联网金融业务大多发生在线上，往往几秒钟就能完成审核、申请、放款等，面临的欺诈风险也是前所未有的。据统计，我国网络犯罪导致的损失占GDP的0.63%，一年损失金额高达4000多亿元。

目前，国内反欺诈金融服务采用的方法主要有黑白名单、监督学习及无监督学习。无监督学习不需要任何训练数据和标签，通过聚类等算法模型即可发现用户的共性行为，并通过用户和用户间的关系来检测欺诈，从而发现伪装的异常用户并将其锁定。例如，银行可应用机器学习算法实时监控每一个账户的大量交易参数，通过算法分析持卡人的每一个行为并尝试发现该用户行为背后的目的，该模型能够准确地发现欺诈行为。当系统识别到可疑账户行为时，它可向用户询问额外的认证信息来验证该笔交易行为的合法性，如果有较大可能是欺诈行为，系统可采取相应措施，甚至完全阻止该笔交易的执行。机器学习算法可以非常快速地验证一个账户的交易行为，从而能够实时防止欺诈行为的发生，而不是在行为发生后再鉴定其合法性。

机器学习还可应用于金融中的财务监控系统方面，能够大大增强网络的安全性，可利用机器学习训练一个系统来定位并隔离网络威胁。目前，很多金融科技公司在安全机器学习方面也投入了大量资金，用于增强互联网金融方面的安全性。

2. 自动驾驶

目前，自动驾驶汽车的设计和制造仍面临着较多的技术挑战，很多汽车公司应用机器学习技术实现解决方案。例如，将传感器数据处理模块整合到汽车的电子控制单元后，如何应用机器学习算法完成相应任务，如何将汽车内外部传感器所采集的数据进行融合，如何基于数据信息评估驾驶员情况、进行驾驶场景分类等。

在自动驾驶技术中，机器学习算法主要任务之一就是，不间断地检测车辆周围环境，并预测可能会出现的变化。该类任务可进一步划分为物体检测、物体分类、物体定位及行为预测，与之对应的机器学习算法分别是决策矩阵算法、聚类算法、模式识别算法及回归算法。每种算法均可用于实现两个或多个任务，如回归算法可用于物体定位、物体检测及行为预测。决策矩阵算法可用于系统分析、确定并评估信息集和价值集之间的关联表现。该算法还可用于决策，如车辆行驶中是否需要刹车、转向等动作，就是基于算法对物体识别、分类及行为预测的置信水平所做的决策。决策矩阵算法通常由许多独立的训练决策模型组成，最终预测结果是由这些独立的决策模型的预测结果汇总而成的，从而大大提高了决策的可靠性，降低了决策出错的概率。

3. 医学影像分析

近几十年来，医学影像技术如计算机断层扫描（CT）、磁共振成像（MRI）、X射线拍片等在疾病的医学影像检查、诊断和治疗中起着重要的作用。医学影像主要由放射科和临床医生等进行分析判断，然而医生的经验往往存在较大的不稳定性，因此希望能借助机器学习技术得到改进，使医生受益于人工智能技术。

在用机器学习算法分析医学影像时，有效的特征提取是目标任务成功完成的核心。深度学习可解决这一问题，即人工提取特征后，再进行必要的预处理，然后输入数据和学习目标，深度学习技术就可以通过自我学习的方式找到解决方案。

深度学习通过建立两层以上的网络来改进传统的人工神经网络。研究表明，在深层神经网络中发现分层特征，可以从低层特征中提取高层特征。由于具有从数据中学习分层特征的优良特性，深度学习已在各种人工智能应用中获得了优异的性能。特别是计算机视觉领域的巨大进步启发了其在医学图像分析中的应用，如图像分割、图像配准、图像融合、图像标注、医疗辅助诊断和医疗预后、病变检测和显微成像分析。