最近在写机器学习的白话系列主题文章，突然有人问我，机器学习到底有什么用，如何才能用到实际生活中。我觉得很有必要停下脚步，来认真思考一下这个问题：机器学习，包括深度学习，自然语言处理，如何真正应用到实际生活中去。希望大家能够踊跃讨论。

说到机器学习，最出名的无非就是Google的AlphaGo这样的项目，机器在人类传统的智力游戏中，无情而残酷的战胜了人类。当然，对于大部分正在读这篇文章的你来说，对于大部分正在学习机器学习的人来说，那只是一个终极目标。支撑着AlphaGo的服务器资源和海量数据不是任何机构可以获得的。

在没有大量数据资源和服务器资源的情况下，机器学习到底可以怎么应用到生活中呢？

随着Tensorflow的发布，其实我们已经可以在手机程序中使用人工智能了，下面的图就是Tensorflow通过ImageNet进行图像识别的例子。

当然，图像识别只是一个基础功能，如何使得图像识别应用在实际生活中，则是一个需要研究的课题。同时，由于手机这样的设备，运算能力有限，精度不是很高的情况下，如何满足实际需要，也是一个课题。

当然，如果你懂一些硬件的话，也可以和树莓派一起做一个智能硬件，做一个小车到处逛，顺便执行一些简单的任务。

机器学习，一般来说，能做的事情，一种是分类任务，一种是回归任务。

分类的话，在Tensorflow发布的时候，日本有个大叔做了一个智能黄瓜分类器，将原本农作物的分类分拣工作，交给了机器去完成。但是我看了一下，除了垃圾分类之外，暂时也没有什么需要我们去分类的东西。当然，如果能够做到机器学习的自动垃圾分类，也是一个好的主意，做一个智能垃圾回收站。

如果你的工作有需要分类的任务，而且对于结果精度要求不高，则可以尝试一下，例如茶叶的分拣。

做HR的或许可以将简历信息和最后录取情况作为数据，训练出一个简历筛选的工具，帮助降低工作强度，当然也可能导致自己失业。

说到回归任务，也就是预测。说到预测，呵呵，股票预测。

股票预测到底靠不靠谱，我觉得，中国股市是一个政策导向的市场，这种市场的预测基本没戏。

其他预测，我也暂时没有想到什么好的项目。原因就是，找到带有标签的大量数据源是一件成本非常高的事情。用爬虫去抓取数据，然后进行标签的整理，也是相当耗时间的事情。

真的要用好机器学习，在这个框架泛滥的时代，可能领域专家比机器学习专家更加重要。Keras这样的框架，如果加上一个可视化的UI，普通人都可以做神经网络了。

自然语言处理，也是机器学习的一个分支。大致有两种模型，一个是LDA主题模型。一个是情感分析模型。

实际生活中的应用，一般也就是抓取各种点评文字，然后通过点评分值，归纳出分值和文字之间的特征。我遇到过一个项目，是金融业的。金融网站会有各种行业里面的针对公司的新闻（相当于数据），证券公司会有对于公司股票级别的评定（买入，持有，卖出，相当于标签），然后将历年的新闻和评级收集起来，做成一个新闻VS评级的模型（输入新闻，输出评级）。有了这个模型之后，通过爬虫去抓取实时新闻，计算出新闻中出现的公司可能出现的股票评级变化情况，推送通知相关客户。这个项目的效果还不知道，或许没有什么实际价值。

现在流行创业，很多人，包括我在内，也希望抓住机器学习这个风口，做一个创业项目。我也深深知道，其实当今资本时代，技术的地位没有那么重要了。除非能够潜心研究一个高大上，无法被抄袭的东西出来。机器学习的核心价值，是大数据和模型。如果有机会拿到一些很有价值的，稀缺性的数据，然后训练，调整出一个高精度的模型，则就离成功很近了。高价值，没有被人利用的数据在哪？能够训练出什么独特的模型，解决实际的问题？找到问题的答案，这个是关键。

关注公众号 TensorFlow教室 深度学习，机器学习，自然语言处理。