上一節中我們主要講到機器學習的應用場景，而這一節主要向大家介紹我們身邊機器學習的例子，讓大家對機器學習有更多的直觀瞭解。

機器學習如今已滲透在我們的日行中，這很讓人驚訝，你每天都能夠接觸到它。

對於人們來說“衣食住行”是每天的基礎要求。

當你肚子餓想點外賣時，外賣App會根據你之前食用過的餐廳以及點評來向你推薦新的餐廳，若恰巧在用餐高峰期需要同時處理成百上千份訂單時，智慧物流系統會給外賣小哥分配訂單，並告知應該按照什麼線路行進，各自到哪些餐廳取餐，並送到哪些地址，最終可以做到讓小哥少跑冤枉路，於是你便能愉快，及時的吃上美味的一餐。

當你今天想買件美美噠的衣服穿時，不自覺的你奔向了馬雲爸爸，“馬雲爸爸真好，老是賣些我喜歡的小裙子惹。”其實那是TB根據你之前買過的衣服，甚至經常瀏覽過的物品後使用推薦系統給你推送的，它甚至還能根據你買過的物品來推斷出你是什麼樣的年齡段、職位和喜好等等。

而關於住，開發商可能會根據機器學習模型來預測出要開發樓盤的價位以作參考（如果太低了，可能就不來這開發了），而聰明的投資者可能也會利用模型來決定是否要投資這些樓盤。

而在交通上，智慧系統能根據城市車流實況推算出合適的梳理安排；而車子的標牌可以被機器識別，這也就免去了人工的勞累。

機器學習在教育上也能夠做到因材施教，有些習題系統可以根據往常學生們做題情況來判斷題目難易程度，並結合你之前的做題情況給你推薦適合你的習題，讓你學習更高效合理。

而它在娛樂上應用也很多，比如國外Netflix電影網站的電影推薦系統，而這家網站之前曾出資一百萬美元（6845500人民幣）來獎賞那些能將推薦系統準確性提高10%的人。所以“書中自有黃金屋”，古人誠不欺我。

而電影推薦系統是怎麼工作的呢？我們來簡單看一下。

比如《泰坦尼克號》這部電影，它上映以來許多使用者給予了很高的評分，並且從許多使用者的評論和對影片擷取分析，系統可以學習到它的分類（愛情佔75%），演員（小李子出屏率80%），時長（3h算長的概率70%），有無吻戲（相比別的影片出現的比例40%），等等一系列因素；

而系統則會根據你之前看過的電影評分來猜測你的喜好：喜好看愛情片的概率60%，喜歡小李子70%，喜歡看吻戲50%等等，而如果這部電影和你的喜好比對相似，那麼電影系統則會將它推薦給你。

    關注我們 | 獲取更多系統性學習文章