机器学习在生活中的应用

银行、零售和电信

　　* 潜在客户和合作伙伴

　　* 客户满意度指数(基于关系、交易、营销活动等)

　　* 欺诈、浪费和滥用索赔

　　* 预测信用风险和信誉

　　* 营销活动的有效性(比如提议被多少人接受了?被多少人拒绝了?有没有决定性的影响因素?

　　* 交叉销售和建议(例如，电商网站告诉你“购买这个产品的消费者同时也购买了那个产品”)

　　* 联络中心(帮助客服代表在与客户的通话中获取相关数据)

　　医疗保健和生命科学

　　* 扫描、筛选和生物识别

　　* 基于混合成分的药物

　　* 基于症状、患者记录和实验室报告的诊断和补救

　　* 根据药物、患者、地理位置、气候条件、过往病史、食物摄入等数据的AECP(不良事件病例处理)情景。

　　一般

　　* 文字或语音书写识别

　　* 调试、故障排除和解决方案向导

　　* 过滤垃圾邮件

　　* 短信和邮件分类或建议

　　* 支持问题并丰富KeDB(知识错误数据库)

　　* 朋友和同事推荐

　　* 无人驾驶，通过构建人工智能和算法

　　* 图像处理

　　安全

　　* 手写、签名、指纹、虹膜/视网膜识别和验证

　　* 人脸识别

　　* DNA模式匹配