您几乎可以在每个领域使用 ML/DA，但概括地说，我想列出的领域很少

大体上是根据数据分类的

1. 文本数据
2. 图像数据
3. 信号/周期数据
4. 财务数据/数字

在这里，我们可以进一步对域进行分类或命名。文本数据广泛属于自然语言处理 (NLP)。在这里，您可以使用文本生成、文本分割、文档分类、聊天机器人、主题建模、摘要提取等等 NLP 研究、 NLP 应用程序我添加了 2 篇文章的链接，这些文章列出了按当前行业标准列出的当前研究和应用程序。

图像数据广泛属于计算机视觉。在这里，您可以处理视频、直播、图像。它们可以是卫星图像、交通事故、机器零件等。您可以对足球比赛进行分析，甚至可以对海洋中的塑料污染进行分析。子主题可以分类为

1. 图像标记
2. 基于图像的信息收集
3. 物体预测
4. 基于视觉的健康预测
5. 生物学研究
6. 使用 NN 进行图像校正

以及更多。如果您想亲身体验基于图像的数据，请访问此站点，在这里您将大致了解图像数据可以实现哪些主题。

周期性数据包括来自机器的测量结果、对其工作方式的观察，还包括生物数据。基本上是我们正常的信号处理或风险分析。机械制造商、卫生部门和金融经纪人、车辆定位等都非常需要它的应用。任何包含一些时间数据的东西都可以用来简化路线、分析风险并避免不必要的磨损。

但通常这些域是一起使用的，除非你去研究。在一家解决方案公司工作，我遇到了许多项目，我必须从图像中收集文本数据并使用主题建模进行分类。有一个项目，我必须分析从视频摄像头观察人类产生的数据，以预测他们接下来几秒钟的 HR。

希望这可以帮助您确定您更感兴趣的领域。

当我开始数据分析之旅时，我发现这非常有用 -

https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/11/Machine-Learning-Algorithms-Mindmap-Sample.png

在这里您可以找到详细信息-

https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

希望你也觉得它有用。

从典型的监督学习、无监督学习和强化学习开始可能更合理。

这样的分类可以更轻松地搜索使用这些分类的特定字段。只需访问 Wikipedia 并在有关它们的文章中查找它们的应用程序（或，另请参阅“文章”）。这样您就可以从上到下构建自己的“ML 类型”图表。这可能是一个好的开始https： //en.wikipedia.org/wiki/Machine_learning

当您从一般到具体时，您错过某些东西的可能性较小，因为您不是随机想出的。