# 機器學習金錢 > 原文： [https://machinelearningmastery.com/machine-learning-for-money/](https://machinelearningmastery.com/machine-learning-for-money/) 我被問到的一個問題是： > 如何通過機器學習賺錢？ 作為機器學習工程師，數據分析師或數據科學家，您可以獲得機器學習技能。這是與我聯系的很多人的目標。 還有其他選擇。 在這篇文章中，我想強調一些其他選項，并嘗試讓你的齒輪轉動。 鑒于可獲得的大量數據，您有很多機會，您只需要思考并發現有價值的問題。這些是人們和企業將要回答的問題。  機器學習 照 [401（K）2013](https://www.flickr.com/photos/68751915@N05/6757871357/sizes/l) ，保留一些權利 ## 沖擊首先 在我們深入研究示例域之前，先從一些方法開始。 與任何其他機器學習問題一樣，您正在關注[應用機器學習](http://machinelearningmastery.com/applied-machine-learning-process/ "Solve Machine Learning Problems Step--by--Step")的過程，但您正在選擇一個域和問題，哪里有市場可以回答問題。 1. 從域中的問題開始（很好地定義您的問題）。根據域對域的影響選擇一個問題。在這里，影響可能是回報。使用理想化模型進行思想實驗，可以做出完美的預測。 2. 收集解決問題所需的數據（數據選擇）。 3. 清理和準備數據，使其適合建模（數據準備） 4. 對問題進行抽查算法。一定要從最簡單的模型開始，并將它們用作基線。 5. 調整表現最佳的模型并使用閾值和合奏等方法來充分利用您選擇的模型（改善結果）。 6. 顯示結果或將系統置于操作中并設置密切監視（當前結果）。 理想情況下，您解決問題的準確性越高，回報越大（或者您可以做出的投注越大）。 ## 你的初創公司 如果您有自己的企業或網絡創業公司，那么您應該非常努力地利用您已經收集的數據。在 Web 創業公司中運行大量數據收集服務并不罕見，如 [KissMetrics](https://www.kissmetrics.com/) ， [Google Analytics](http://www.google.com/analytics/) 等等。如何使用這些數據來影響您的底線？ 根據我的經驗，這是數據分析師的工作，而不是機器學習工作，但你總是可以破壞回歸模型，看看它是否比簡單的五分模型提供更多提升。 我們在上一篇文章中對此進行了一些介紹。不過，這里有一些你可以研究的領域的想法： * **客戶轉換**：為轉換或不轉換的客戶的功能建模。 * **向上銷售和交叉銷售**：模擬轉換為向上銷售或交叉銷售要約的客戶的特征。 * **收購策略**：通過收購策略模擬客戶的價值。 * **保留策略**：模擬客戶保留策略的 ROI。 * **客戶流失**：模擬客戶流失或不流失的功能。 從對底線的影響開始，然后回答您需要提出的問題，以便做出決策。一旦您可以回答問題并對給定的新客戶進行預測，花時間設計和測試干預策略，您可以使用這些策略來影響或利用預測。 ## Development 您可能是知道如何設計，創建和發布軟件的開發人員或程序員。想一想你可以用機器學習方法回答的有價值的在線問題。 您是否可以制作有價值的預測或建議？ 想到的一些袖手旁觀的例子包括各種公開的社交媒體數據： * **Kick Starter** ：模擬成功或不成功的 kick starter 廣告系列的功能。 * **社交媒體資料**：在 LinkedIn，Google +或 Facebook 等網站上模擬成功社交媒體資料（訪問次數或網頁排名）的功能。 * **社交新聞**：模擬一個成功的帖子的功能到社交新聞網站，如黑客新聞或 Reddit。 * **銷售頁面**：為電子商務或信息產品等成功的產品銷售頁面的功能建模。 從洞察力到社交媒體數據賺錢是一個擁擠的空間。如果你想認真對待這個想法，那么你將不得不使用你用來模擬問題的功能。特征工程將是您的貢獻，也許比實際模型更多。 這種方法很可能需要收集和處理笨拙的數據集。這些數據集不是特征的整齊矩陣。建模過程首先要表征理想的結果，評估它的預測能力，然后對客戶提供預測。 ## 金融和賭博 通過機器學習賺錢的明顯選擇是金融和賭博。我保持沉默，建議這些方面。我認為他們很可能是危險的警笛。像維納斯捕蠅草一樣，它們吸引程序員和機器學習從業者并消化它們。  將機器學習應用于股市，但要小心。 [Iman Mosaad](https://www.flickr.com/photos/imosaad/4111211837/sizes/l) 的照片，保留一些權利。 好處是決策非常明確（哪匹馬會贏或哪些股票買/賣）你可以在決策背后部署自己的資金。我建議建模易于理解的問題，一些金融工具可能非常復雜。 我有高頻交易和投資組合優化的腳趾。它可能是可怕的東西，也令人興奮。我推薦紙質交易一段時間，你可以使用很棒的 API 來獲取數據源。參見[我如何通過機器學習和 HFT（高頻交易）](http://jspauld.com/post/35126549635/how-i-made-500k-with-machine-learning-and-hft)和[機器學習的金融應用](http://www-stat.wharton.upenn.edu/~steele/Courses/9xx/Resources/MLFinancialApplications/MLFinance.html)賺取 50 萬美元。另外，你可能想看一下 [Quantopian](https://www.quantopian.com) ， 我沒有試過任何賭博問題，但我已經使用了一些方法，比如評級系統，我希望在文獻中有很多特色。考慮進行賽馬，體育博彩（2 人游戲）和撲克等紙牌游戲。 比賽自己。關注問題，收集數據并快速定義一些基線結果。您的目標是改善自己的最佳結果，并利用任何可能有用的東西。您的目標不是超越領域專家，至少在很長一段時間內都不會。 ## 比賽 您可以通過參加機器學習比賽來賺錢。我的建議是，現金獎勵不是參加比賽的主要動機。通過直接尋找咨詢客戶，您可以賺更多錢。然而，頂級競爭者可以贏得現金獎勵。 有些地方你可以找到機器學習比賽包括： * [Kaggle](http://kaggle.com) * [Challenge.gov](https://challenge.gov/) * [Innocentive](http://www.innocentive.com/) * [Tunedit](http://tunedit.org/) 比賽可以成為學習，測試和提高技能的絕佳機會。這些網站上通常有很多信息共享，您可以找到哪些算法和工具很熱門。 ## 摘要 為了從機器學習中賺錢，我們提到了您可以考慮的四個方面：您自己的業務，社交數據，金融和賭博以及競爭。 我找到的最好的方法是找到有問題的人，你可以用易于訪問的數據（即咨詢）來回答。 您是使用機器學習賺錢還是有機會學習賺錢的想法？