在这种情况下，目标是在不使用先前标签的情况下识别数据中的结构。它们被称为聚类算法，它们根据变量对数据实例进行分组，查找模式并形成分组。根据其内部功能，它们可以分为两种类型： 分组：它们是迭代算法（其特征是通过循环执行的算法），首先将数据初步分配到组中，然后根据优化标准进行调整。 分层：这些算 电话营销数据 法事先不知道簇的数量。在每次迭代中，只有一个对象更改组，并且这些组嵌套在先前迭代中形成的组中。 无监督学习的一个例子是营销中通过社交网络从海量数据中提取模式来创建细分的广告活动。 强化学习 在这种情况下，算法的目标是从自己的经验中学习。也就是说，能够根据试错过程在不同情况下做出最佳决策，奖励正确的决策。此类学习的一个明显例子是通过数据中心的监控将欺诈检测为异常。
你喜欢你正在读的内容吗？
订阅博客！ 电子邮件* Cookie 政策。 机器学习应用的真实例子 大公司如何将机器学习应用到他们的产品和功能中？这些是一些真实的例子： 特斯拉：自动驾驶 特斯拉处于自动驾驶领域的前沿，利用机器学习 开发您的自动驾驶系统。特斯拉车辆收集数据 实时传感器和八个配备计算机视觉的外部摄像头，不断提高识别和响应不同驾驶情况的能力。这种不断的学习使车辆能够随着时间的推移提高其性能和安全性。 关键是什么？特斯拉 当你已经戴了太多（安全）帽时，如何推销你的建筑公司 人工智能总监安德烈·卡帕蒂 (Andrej Karpathy) 表示，该品牌与其他制造商的区别在于，它的所有产品都是自行开发的。此外，所有特斯拉汽车都协作创建了一个大型数据库，用于训练这些神经网络。
由于每天都有大量数据到达
，网络很可能会自动改进。 亚马逊 亚马逊在欧洲拥有超过 5,500 名工程师和知名技术职位，专门从事机器学习、机器人、软件和硬件，利用这一学科来优化其供应链和物流。 起初，亚马逊的主要挑战是更好地了解消费者并为他们提供更准确的购买建议。机器学习的关键是改善机器理解消费者所写内容的方式，并在获得更多数据时 2017 年国际理论物理中心会议 提供更好的结果。 现在，先进的算法可以预测产品需求、管理库存并优化交付路线，以降低成本并提高效率。该应用程序使亚马逊能够提供更快的交货时间和更好的客户服务。 谷歌照片 Google Photos 使用机器学习来自动组织和分类照片。算法可以识别图像中的人物、地点和物体，让用户轻松搜索特定照片。