一、機器學習在產業界的應用領域有哪些，最好是舉例說一下

人工智能，比如各類仿真、擬人應用，如機器人

醫療用于各類擬合預測

金融高頻交易

互聯網數據挖掘、關聯推薦

再具體一點，比如水產的水質預測

比如無人汽車，應用了機器學習和神經網絡

二、研究生讀機器學習專業就業方向？

前段時間和實驗室里的學弟吃飯閑聊時談到過這個問題，簡單地談一下就業方面的感受。

CV方向是近年來最熱門的機器學習應用方向，但是CV在互聯網行業本身內的就業有限，支柱型應用較少——P圖、換臉、風格轉換是當不了支柱應用的。而且CV方向近些年涌入了太多的研究生，其中絕大部分博士生還沒畢業呢，就業壓力過幾年才會真正顯現。CV真正的潛在用武之地是和其它行業的交叉，比如自動駕駛、安防、醫療、各種工業上的自動化等，這些是真正可以提高生產率的應用，是支撐得起一個產業的。具體來說：自動駕駛是綜合技術，CV只是一小部分；安防是一個蘿卜一個坑，占的其實也差不多了；醫療的解釋性如果不解決，那就跟玄學一樣，難以實用；工業自動化倒真的是前景廣闊，不過需要各種橫向人才來推動。

NLP是機器學習應用里的萬金油方向，幾乎任何一個機器學習應用都會涉及到或多或少的NLP處理部分。NLP的細分方向也非常多，個人覺得實際應用比較廣泛的有文本分類、情感識別、語義識別、檢索等。文字是比圖像更抽象、更高級的信息形式，對文字的理解也遠比對圖像的理解難。個人認為要想真正地做到理解文字，必須要引入推理和常識。現在的研究似乎都還沒摸到門，靜候大牛們為我們打開新的研究思路。

數據挖掘的細分方向，說起來應該要比NLP還要雜，工業界需求量非常大，就業的又一個萬金油方向。當年我選擇做數據挖掘這個方向，其實看中的也就是這一點。相比其它應用領域，數據挖掘更靠近傳統的機器學習，更需要你認真地打牢基礎，扎實的基礎會極大地提高你的上限。但是從研究的角度來說的話，不建議總是徘徊在數據挖掘應用的層面，而是應該狠抓機器學習部分。

語音領域不了解，不過相比于上面三者而言，語音的應用范圍應該是最小的

三、機器學習在數據挖掘中的應用

數據挖掘 本身就是一個很寬泛的概念。

它包含的內涵和外延都很寬泛。

機器學習，是數據挖掘中的一個很小的部分。

建議你還是確定，你在數據挖掘流程中的位置，學習對應的內容。逐漸成長!

四、物聯網和機器學習究竟有哪些真實應用價值

典型的傳統數據分析的數據模型通常是靜態的，它在解決快速變化和非結構化數據方面的使用是有局限性的，當涉及到物聯網時，通常需要確定幾十個傳感器的輸入與迅速產生數百萬個數據點的外部因素之間的相關性。

傳統的數據分析需要基于歷史數據和專家意見的模型來建立變量之間的關系，而機器學習從結果(比如節能)出發，自動尋找預測變量及其相互之間的關系。

一般來說，當你知道你想要實現的目標是什么，但你不知道實現這個目標需要哪些重要變量的時候，機器學習是非常有價值的，你給機器學習算法一個目標，然后它從數據中“學習”哪些因素對實現這一目標很重要。

一個很好的例子是去年Google在數據中心應用機器學習。數據中心需要保持低溫，因此需要大量的能源才能使冷卻系統正常工作(除非像微軟一樣將數據中心建在海底)。這對Google來說是巨大成本，所以目標是通過機器學習提高冷卻效率。

因為有120多個影響冷卻系統的變量(即風扇，泵速度，窗戶等)，用傳統的方法構建模型將是一項巨大的任務。相反，Google通過機器學習，將整體能源消耗降低15%。 在未來幾年，Google將節省數億美元。