前言

當親朋好友知道我全心研讀 AI 時，最常被問到的問題如下：

• 我的公司怎麼導入 AI ?
• 學完 Python，可以做甚麼 ?
• 了解機器學習各項演算法後，要拿來做啥 ?

本文就試著找一些實用、好玩的案例，說明一般企業可立即上手的應用方向。

圖. 機器學習的分類與相關應用，圖片來源：Logistic Regression in Python

Kaggle 不是很多案例嗎?

是啊，那些都是值得研究的案例，也有很多善心人士提供 kernels，讓我獲益良多，不過，由於是競賽性質，通常難度都頗高，且具有特定領域的知識(Domain Knowhow)，不一定能在一般企業導入，因此，我希望能整理一些較具通用性(Generic)的應用，與大家分享，不過個人才疏學淺，能力有限，也希望得到各方先進的指教。

主題

一般企業的核心業務，就是行銷(Marketing)、銷售(Sales)及服務(Services)，動機就是『想辦法把東西賣出去』、『賣的又快又多』、『售後服務作的好』，這三個環節作得好，公司自然就發大財了。所以多數的案例，也會環繞在這三個環節上。

筆者會先從幾個比較簡單的主題開始，因為，它們導入的門檻較低，資料蒐集也較容易(真正原因是避免壓力把我搞到崩潰)，例如：

1. 客戶分群(Customer Segmentation)：RFM 分析。
2. 留存率(Retention Rate)及流失率(Churn Rate)分析
3. 購物籃分析(Basket Analysis)
4. 異常偵測(Anomaly Detection)
5. ...

之後再朝較大的主題進攻，應該會包括以下課題：

1. 對話機器人 (ChatBot)
2. 推薦系統 (Recommender System)
3. 情緒分析 (Sentiment analysis)
4. 時間序列預測 (Time Series Forecasting)
5. 股票投資 (Stock Analysis)

除了演算法的說明，也會盡量附上程式，以免光說不練，如果你只想了解AI可以作甚麼，那就把程式碼給跳過吧。所有的程式碼都會放在這裡。

出發吧，航向偉大的航道

2017年底，當時是 AI 初學者，乖乖的從各個演算法開始學起，並將整個學習歷程都記錄在『以100張圖理解 Neural Network -- 觀念與實踐』 一文中，過了一年多，理論該看都看了，不懂的再看也還是不懂，所以換個角度，倒吃甘蔗，從應用面看AI，想想看如何將知識轉換為 $$$$$$。

結束前來個笑話，AI四要素 -- 4M。

圖片來源：Timo Elliott’s Blog