机器学习并不是简单的玩数学游戏，它是能真刀真枪的解决很多实际问题的。简单归纳总结一下，机器学习主要解决六大类任务或者叫问题：分类问题、聚类问题、回归问题、关联问题、序列问题。

异常检测问题

1. 分类问题（Classification)

抽象来看，分类问题就是构造一个分类器（Classifier），可以对数据样本的类别进行预测。分类器可以理解为一个函数：y=f(x)，其中x是自变量，y是因变量并且y的取值不是数值而是一个类别标签。当我们知道了x的取值之后，就可以根据f(x)来预测y的值。分类问题属于机器学习中的有监督学习。

典型的分类问题有：

判断一封邮件是否是垃圾邮件

判断一篇文章属于什么类型（例如体育类，财经类，娱乐类等)

判断贷款申请者的信用度好坏

检测信用卡消费是否存在欺诈行为

图像分类：识别图片中的物体

预测用户是否会流失

预测用户对营销活动是否会响应

预测用户对广告是否会点击

预测用户对商品是否有兴趣购买

2.聚类问题（Clustering）

“物以类聚，人以群分”，这就是聚类，它的目的就是要把相似的数据聚在一起。例如通信运营商可以对手机用户的通话行为进行聚类，把喜欢上网的聚类一类，喜欢夜间打电话的聚为另外一类。你也可以对大量的文章进行聚类，把相似的文章聚为一类然后归到同一个文件夹中。聚类问题属于机器学习中的非监督学习。

典型的聚类问题有：

用户分群：企业对用户的消费行为进行聚类，把用户划分为不同的人群，然后对用户进行差异化的营销和服务。

相似文档归类：对大量的文档进行聚类分析后，把文档分为若干个不同的类

注意：聚类和分类都有一个“类”字，但是它们有显著的差别：分类问题的“类”就是训练样本的标签，这个标签是训练模型之前需要事先标记好的，分类算法的目标是建立一个对标签进行预测的模型；而聚类的“类”，是聚类算法需要对数据进行学习之后才能得到的结果，在训练模型之前我们是不知道样本的类标签的。

3.回归问题（Regression）

回归问题和分类问题非常像，它们都属于监督学习的范畴。分类问题要构建的是分类器（Classifier），而回归问题需要构建的就是一个回归器（Regressor）。回归器也是一个函数：y=f(x)，其中x是自变量，y是因变量，与分类问题不同的是，y的取值是数值而不是类别。当知道了x的值之后，就可以通过f(x)来预测y的值。

典型的回归问题有：

根据房屋的特征来预测房屋的价格

根据商品的特征来预测商品的销量

4.关联问题（Association Rule）

关联问题最有名的案例就是啤酒和尿布的故事。关联规则算法可以从交易型数据中发现频繁关联出现的Item（商品），又称为购物篮分析和关联规则挖掘。关联规则挖掘属于非监督学习。

典型的关联问题有：

买了还买：买了A商品的用户，同时还有多少比例会买其他商品

看了还看：看了A电影的用户，同时还有多少比例会看其他电影

5.序列问题（Sequence）

序列问题包括时间序列的预测，序列型关联规则（例如先看了速度与激情1，接下来看速度与激情2的可能性比较大）等。语言模型（哪些词经常可以搭配在一起）也属于序列问题。序列问题既可以是非监督学习的方法（类似关联规则算法），也可以转换为回归，分类等监督学习的问题。

典型的序列问题有:

根据用户之前购买的商品预测接下来可能会买的商品

时间序列预测：如预测股票和预测天气等

中文分词：判断哪些字组合在一起最有可能像一个词语

6.异常检测问题（Outlier Detection）

异常检测就是检测样本取值是否显著的偏离常规，从中发现有意义的孤立点和异常值。监督学习和非监督学习都可以应用于异常检测问题。

典型的异常检测问题有：

信用卡异常消费检测（欺诈检测）

网络安全检测

不合格产品检测

日常工作中，你遇到的机器学习问题基本上都逃不出这六大任务。