一、机器学习在产业界的应用领域有哪些，最好是举例说一下
人工智能，比如各类仿真、拟人应用，如机器人
医疗用于各类拟合预测
金融高频交易
互联网数据挖掘、关联推荐
再具体一点，比如水产的水质预测
比如无人汽车，应用了机器学习和神经网络
二、研究生读机器学习专业就业方向？
前段时间和实验室里的学弟吃饭闲聊时谈到过这个问题，简单地谈一下就业方面的感受。
CV方向是近年来最热门的机器学习应用方向，但是CV在互联网行业本身内的就业有限，支柱型应用较少——P图、换脸、风格转换是当不了支柱应用的。而且CV方向近些年涌入了太多的研究生，其中绝大部分博士生还没毕业呢，就业压力过几年才会真正显现。CV真正的潜在用武之地是和其它行业的交叉，比如自动驾驶、安防、医疗、各种工业上的自动化等，这些是真正可以提高生产率的应用，是支撑得起一个产业的。具体来说：自动驾驶是综合技术，CV只是一小部分；安防是一个萝卜一个坑，占的其实也差不多了；医疗的解释性如果不解决，那就跟玄学一样，难以实用；工业自动化倒真的是前景广阔，不过需要各种横向人才来推动。
NLP是机器学习应用里的万金油方向，几乎任何一个机器学习应用都会涉及到或多或少的NLP处理部分。NLP的细分方向也非常多，个人觉得实际应用比较广泛的有文本分类、情感识别、语义识别、检索等。文字是比图像更抽象、更高级的信息形式，对文字的理解也远比对图像的理解难。个人认为要想真正地做到理解文字，必须要引入推理和常识。现在的研究似乎都还没摸到门，静候大牛们为我们打开新的研究思路。
数据挖掘的细分方向，说起来应该要比NLP还要杂，工业界需求量非常大，就业的又一个万金油方向。当年我选择做数据挖掘这个方向，其实看中的也就是这一点。相比其它应用领域，数据挖掘更靠近传统的机器学习，更需要你认真地打牢基础，扎实的基础会极大地提高你的上限。但是从研究的角度来说的话，不建议总是徘徊在数据挖掘应用的层面，而是应该狠抓机器学习部分。
语音领域不了解，不过相比于上面三者而言，语音的应用范围应该是最小的
三、机器学习在数据挖掘中的应用
数据挖掘 本身就是一个很宽泛的概念。
它包含的内涵和外延都很宽泛。
机器学习，是数据挖掘中的一个很小的部分。
建议你还是确定，你在数据挖掘流程中的位置，学习对应的内容。逐渐成长!
四、物联网和机器学习究竟有哪些真实应用价值
典型的传统数据分析的数据模型通常是静态的，它在解决快速变化和非结构化数据方面的使用是有局限性的，当涉及到物联网时，通常需要确定几十个传感器的输入与迅速产生数百万个数据点的外部因素之间的相关性。
传统的数据分析需要基于历史数据和专家意见的模型来建立变量之间的关系，而机器学习从结果(比如节能)出发，自动寻找预测变量及其相互之间的关系。
一般来说，当你知道你想要实现的目标是什么，但你不知道实现这个目标需要哪些重要变量的时候，机器学习是非常有价值的，你给机器学习算法一个目标，然后它从数据中“学习”哪些因素对实现这一目标很重要。
一个很好的例子是去年Google在数据中心应用机器学习。数据中心需要保持低温，因此需要大量的能源才能使冷却系统正常工作(除非像微软一样将数据中心建在海底)。这对Google来说是巨大成本，所以目标是通过机器学习提高冷却效率。
因为有120多个影响冷却系统的变量(即风扇，泵速度，窗户等)，用传统的方法构建模型将是一项巨大的任务。相反，Google通过机器学习，将整体能源消耗降低15%。 在未来几年，Google将节省数亿美元。
