Οδηγός μηχανικής μάθησης για αρχάριους: Τι είναι, Βασικά στοιχεία της ML

Τι είναι η Μηχανική Εκμάθηση;

Μηχανική μάθηση είναι ένα σύστημα υπολογιστή algorithms που μπορεί να μάθει από το παράδειγμα μέσω της αυτοβελτίωσης χωρίς να κωδικοποιείται ρητά από έναν προγραμματιστή. Η μηχανική μάθηση είναι ένα μέρος της τεχνητής νοημοσύνης που συνδυάζει δεδομένα με στατιστικά εργαλεία για την πρόβλεψη ενός αποτελέσματος που μπορεί να χρησιμοποιηθεί για τη δημιουργία πρακτικών πληροφοριών.

Η ανακάλυψη έρχεται με την ιδέα ότι ένα μηχάνημα μπορεί να μάθει μεμονωμένα από τα δεδομένα (δηλαδή, για παράδειγμα) για να παράγει ακριβή αποτελέσματα. Η μηχανική μάθηση σχετίζεται στενά με την εξόρυξη δεδομένων και την προγνωστική μοντελοποίηση Bayes. Το μηχάνημα λαμβάνει δεδομένα ως είσοδο και χρησιμοποιεί έναν αλγόριθμο για να διατυπώσει απαντήσεις.

Μια τυπική εργασία μηχανικής εκμάθησης είναι η παροχή μιας σύστασης. Για όσους έχουν α Netflix λογαριασμό, όλες οι προτάσεις ταινιών ή σειρών βασίζονται στα ιστορικά δεδομένα του χρήστη. Οι εταιρείες τεχνολογίας χρησιμοποιούν μη εποπτευόμενη μάθηση για να βελτιώσετε την εμπειρία χρήστη με εξατομικευμένες προτάσεις.

Η μηχανική εκμάθηση χρησιμοποιείται επίσης για μια ποικιλία εργασιών όπως η ανίχνευση απάτης, η προγνωστική συντήρηση, η βελτιστοποίηση χαρτοφυλακίου, η αυτοματοποίηση εργασιών και ούτω καθεξής.

Μηχανική μάθηση εναντίον παραδοσιακού προγραμματισμού

Ο παραδοσιακός προγραμματισμός διαφέρει σημαντικά από τη μηχανική εκμάθηση. Στον παραδοσιακό προγραμματισμό, ένας προγραμματιστής κωδικοποιεί όλους τους κανόνες σε συνεννόηση με έναν ειδικό στον κλάδο για τον οποίο αναπτύσσεται λογισμικό. Κάθε κανόνας βασίζεται σε μια λογική foundation; το μηχάνημα θα εκτελέσει μια έξοδο εξόδουwing η λογική δήλωση. Όταν το σύστημα μεγαλώσει complex, πρέπει να γραφτούν περισσότεροι κανόνες. Μπορεί γρήγορα να γίνει μη βιώσιμο στη συντήρηση.

Παραδοσιακός Προγραμματισμός
Παραδοσιακός Προγραμματισμός

Η μηχανική μάθηση υποτίθεται ότι θα ξεπεράσει αυτό το πρόβλημα. Το μηχάνημα μαθαίνει πώς συσχετίζονται τα δεδομένα εισόδου και εξόδου και γράφει έναν κανόνα. Οι προγραμματιστές δεν χρειάζεται να γράφουν νέους κανόνες κάθε φορά που υπάρχουν νέα δεδομένα. ο algorithms προσαρμοστούν ως απάντηση σε νέα δεδομένα και εμπειρίες για να βελτιώσουν την αποτελεσματικότητα με την πάροδο του χρόνου.

Μηχανική μάθηση

Μηχανική μάθηση

Πώς λειτουργεί η Μηχανική Μάθηση;

Τώρα σε αυτό το σεμινάριο για αρχάριους βασικές αρχές μηχανικής εκμάθησης, θα μάθουμε πώς λειτουργεί η Μηχανική Εκμάθηση (ML):

Η μηχανική μάθηση είναι ο εγκέφαλος όπου λαμβάνει χώρα όλη η μάθηση. Ο τρόπος που μαθαίνει η μηχανή είναι παρόμοιος με τον άνθρωπο. Οι άνθρωποι μαθαίνουν από την εμπειρία. Όσο περισσότερα γνωρίζουμε, τόσο πιο εύκολα μπορούμε να προβλέψουμε. Κατ' αναλογία, όταν αντιμετωπίζουμε μια άγνωστη κατάσταση, η πιθανότητα επιτυχίας είναι μικρότερη από τη γνωστή κατάσταση. Οι μηχανές εκπαιδεύονται το ίδιο. Για να κάνει μια ακριβή πρόβλεψη, το μηχάνημα βλέπει ένα παράδειγμα. Όταν δίνουμε στο μηχάνημα ένα παρόμοιο παράδειγμα, μπορεί να καταλάβει το αποτέλεσμα. Ωστόσο, όπως ένας άνθρωπος, εάν τροφοδοτήσει ένα αόρατο παράδειγμα, το μηχάνημα έχει δυσκολίες να προβλέψει.

Ο βασικός στόχος της μηχανικής μάθησης είναι η μάθηση και συμπέρασμα. Πρώτα απ 'όλα, η μηχανή μαθαίνει μέσα από την ανακάλυψη μοτίβων. Αυτή η ανακάλυψη γίνεται χάρη στο ημερομηνία. Ένα κρίσιμο μέρος του επιστήμονα δεδομένων είναι να επιλέξει προσεκτικά ποια δεδομένα θα παρέχει στο μηχάνημα. Η λίστα των χαρακτηριστικών που χρησιμοποιούνται για την επίλυση ενός προβλήματος ονομάζεται α διάνυσμα χαρακτηριστικό. Μπορείτε να σκεφτείτε ένα διάνυσμα χαρακτηριστικών ως ένα υποσύνολο δεδομένων που χρησιμοποιείται για την αντιμετώπιση ενός προβλήματος.

Το μηχάνημα χρησιμοποιεί κάποια φανταχτερά algorithms να απλοποιήσει την πραγματικότητα και να μετατρέψει αυτή την ανακάλυψη σε α μοντέλο. Επομένως, το στάδιο μάθησης χρησιμοποιείται για να περιγράψει τα δεδομένα και το άθροισμαmariμετατρέψτε το σε μοντέλο.

Εργασία μηχανικής μάθησης

Για παράδειγμα, το μηχάνημα προσπαθεί να κατανοήσει τη σχέση μεταξύ του μισθού ενός ατόμου και της πιθανότητας να πάει σε ένα φανταχτερό εστιατόριο. Αποδεικνύεται ότι το μηχάνημα βρίσκει μια θετική σχέση μεταξύ του μισθού και της μετάβασης σε ένα εστιατόριο υψηλής ποιότητας: Αυτό είναι το μοντέλο

Συμπερασματικά

Όταν το μοντέλο κατασκευάζεται, είναι δυνατό να ελεγχθεί πόσο ισχυρό είναι σε δεδομένα που δεν έχουν ξαναδεί. Τα νέα δεδομένα μετατρέπονται σε διάνυσμα χαρακτηριστικών, περνούν από το μοντέλο και δίνουν μια πρόβλεψη. Αυτό είναι όλο το όμορφο μέρος της μηχανικής μάθησης. Δεν χρειάζεται να ενημερώσετε τους κανόνες ή να εκπαιδεύσετε ξανά το μοντέλο. Μπορείτε να χρησιμοποιήσετε το μοντέλο που εκπαιδεύτηκε προηγουμένως για να βγάλετε συμπεράσματα για νέα δεδομένα.

Συμπεράσματα από το μοντέλο

Η διάρκεια ζωής των προγραμμάτων Μηχανικής Μάθησης είναι απλή και μπορεί να είναι αθροιστικήmarized in the following βαθμοί:

  1. Ορίστε μια ερώτηση
  2. Συλλογή δεδομένων
  3. Οπτικοποιήστε δεδομένα
  4. Αλγόριθμος τρένου
  5. Δοκιμάστε τον Αλγόριθμο
  6. Συλλέξτε σχόλια
  7. Βελτιώστε τον αλγόριθμο
  8. Κάνε βρόχο 4-7 μέχρι τα αποτελέσματα να είναι ικανοποιητικά
  9. Χρησιμοποιήστε το μοντέλο για να κάνετε μια πρόβλεψη

Μόλις ο αλγόριθμος γίνει καλός στο drawing τα σωστά συμπεράσματα, εφαρμόζει αυτή τη γνώση σε νέα σύνολα δεδομένων.

Μηχανική μάθηση Algorithms και πού χρησιμοποιούνται;

Τώρα σε αυτό το σεμινάριο μηχανικής εκμάθησης για αρχάριους, θα μάθουμε πού η Μηχανική Εκμάθηση (ML) algorithms είναι μεταχειρισμένα:

Μηχανική μάθηση Algorithms

Εκμάθηση μηχανών Algorithms

Η μηχανική μάθηση μπορεί να ομαδοποιηθεί σε δύο γενικές εργασίες εκμάθησης: με επίβλεψη και χωρίς επίβλεψη. Υπάρχουν πολλά άλλα algorithms

Εποπτευόμενη μάθηση

Ένας αλγόριθμος χρησιμοποιεί δεδομένα εκπαίδευσης και ανατροφοδότηση από ανθρώπους για να μάθει τη σχέση των δεδομένων εισροών με μια δεδομένη έξοδο. Για παράδειγμα, ένας επαγγελματίας μπορεί να χρησιμοποιήσει το κόστος μάρκετινγκ και την πρόβλεψη καιρού ως δεδομένα εισόδου για να προβλέψει τις πωλήσεις των κουτιών.

Μπορείτε να χρησιμοποιήσετε την εποπτευόμενη εκμάθηση όταν τα δεδομένα εξόδου είναι γνωστά. Ο αλγόριθμος θα προβλέψει νέα δεδομένα.

Υπάρχουν δύο κατηγορίες των εποπτευόμενη μάθηση:

  • Εργασία ταξινόμησης
  • Εργασία παλινδρόμησης

Ταξινόμηση

Φανταστείτε ότι θέλετε να προβλέψετε το φύλο ενός πελάτη για μια διαφήμιση. Θα αρχίσετε να συλλέγετε δεδομένα για το ύψος, το βάρος, τη δουλειά, τον μισθό, το καλάθι αγορών κ.λπ. από τη βάση δεδομένων πελατών σας. Γνωρίζετε το φύλο κάθε πελάτη σας, μπορεί να είναι μόνο άνδρας ή γυναίκα. Ο στόχος του ταξινομητή θα είναι να εκχωρήσει μια πιθανότητα να είστε άνδρας ή γυναίκα (δηλαδή, η ετικέτα) με βάση τις πληροφορίες (δηλαδή, χαρακτηριστικά που έχετε συλλέξει). Όταν το μοντέλο έμαθε πώς να αναγνωρίζει άνδρα ή γυναίκα, μπορείτε να χρησιμοποιήσετε νέα δεδομένα για να κάνετε μια πρόβλεψη. Για παράδειγμα, μόλις λάβατε νέες πληροφορίες από έναν άγνωστο πελάτη και θέλετε να μάθετε αν είναι άνδρας ή γυναίκα. Εάν ο ταξινομητής προβλέπει άνδρα = 70%, σημαίνει ότι ο αλγόριθμος είναι σίγουρος στο 70% ότι αυτός ο πελάτης είναι άνδρας και κατά 30% είναι γυναίκα.

Η ετικέτα μπορεί να είναι δύο ή περισσότερων κατηγοριών. Το παραπάνω παράδειγμα μηχανικής εκμάθησης έχει μόνο δύο κλάσεις, αλλά εάν ένας ταξινομητής χρειάζεται να προβλέψει ένα αντικείμενο, έχει δεκάδες κλάσεις (π.χ. γυαλί, τραπέζι, παπούτσια κ.λπ. κάθε αντικείμενο αντιπροσωπεύει μια κλάση)

Οπισθοδρόμηση

Όταν η έξοδος είναι μια συνεχής τιμή, η εργασία είναι μια παλινδρόμηση. Για παράδειγμα, ένας χρηματοοικονομικός αναλυτής μπορεί να χρειαστεί να προβλέψει την αξία μιας μετοχής με βάση μια σειρά χαρακτηριστικών όπως μετοχές, προηγούμενες επιδόσεις μετοχών, μακροοικονομικός δείκτης. Το σύστημα θα εκπαιδευτεί να εκτιμά την τιμή των μετοχών με το μικρότερο δυνατό σφάλμα.

Αλγόριθμος Περιγραφή Χαρακτηριστικά
Γραμμικής παλινδρόμησης Βρίσκει έναν τρόπο να συσχετίσει κάθε χαρακτηριστικό με την έξοδο για να βοηθήσει στην πρόβλεψη μελλοντικών τιμών. Οπισθοδρόμηση
Λογιστική παλινδρόμηση Επέκταση γραμμικής παλινδρόμησης που χρησιμοποιείται για εργασίες ταξινόμησης. Η μεταβλητή εξόδου 3 είναι δυαδική (π.χ. μόνο ασπρόμαυρη) και όχι συνεχής (π.χ. μια άπειρη λίστα πιθανών χρωμάτων) Ταξινόμηση
Δέντρο απόφασης Μοντέλο ταξινόμησης ή παλινδρόμησης υψηλής ερμηνείας που χωρίζει τις τιμές των χαρακτηριστικών δεδομένων σε διακλαδώσεις στους κόμβους απόφασης (π.χ. εάν ένα χαρακτηριστικό είναι χρώμα, κάθε πιθανό χρώμα γίνεται νέος κλάδος) μέχρι να ληφθεί μια τελική έξοδος απόφασης Οπισθοδρόμηση
Ταξινόμηση
Ναϊβ Μπέις Η μέθοδος Bayes είναι μια μέθοδος ταξινόμησης που χρησιμοποιεί το θεώρημα Bayes. Το θεώρημα ενημερώνει την προηγούμενη γνώση ενός γεγονότος με την ανεξάρτητη πιθανότητα κάθε χαρακτηριστικού που μπορεί να επηρεάσει το γεγονός. Οπισθοδρόμηση
Ταξινόμηση
Υποστήριξη μηχανή φορέα
Το Support Vector Machine ή SVM χρησιμοποιείται συνήθως για την εργασία ταξινόμησης.
Ο αλγόριθμος SVM βρίσκει ένα υπερεπίπεδο που διαιρούσε βέλτιστα τις κλάσεις. Χρησιμοποιείται καλύτερα με μη γραμμικό επιλύτη.
Παλινδρόμηση (όχι πολύ συχνή)
Ταξινόμηση
Τυχαίο δάσος Ο αλγόριθμος βασίζεται σε ένα δέντρο αποφάσεων για να βελτιώσει δραστικά την ακρίβεια. Το Random Forest δημιουργεί πολλές φορές απλά δέντρα απόφασης και χρησιμοποιεί τη μέθοδο της «ψηφοφορίας πλειοψηφίας» για να αποφασίσει ποια ετικέτα θα επιστρέψει. Για την εργασία κατάταξης, η τελική πρόβλεψη θα είναι αυτή με τις περισσότερες ψήφους. ενώ για την εργασία παλινδρόμησης, η μέση πρόβλεψη όλων των δέντρων είναι η τελική πρόβλεψη. Οπισθοδρόμηση
Ταξινόμηση
AdaBoost Τεχνική ταξινόμησης ή παλινδρόμησης που χρησιμοποιεί μια πληθώρα μοντέλων για να καταλήξει σε μια απόφαση αλλά τα σταθμίζει με βάση την ακρίβειά τους στην πρόβλεψη του αποτελέσματος Οπισθοδρόμηση
Ταξινόμηση
Δέντρα που ενισχύουν την κλίση Τα δέντρα που ενισχύουν την κλίση είναι μια τεχνική ταξινόμησης/παλίνδρομης τελευταίας τεχνολογίας. Εστιάζει στο σφάλμα που διέπραξαν τα προηγούμενα δέντρα και προσπαθεί να το διορθώσει. Οπισθοδρόμηση
Ταξινόμηση

Μη εποπτευόμενη μάθηση

Στην μάθηση χωρίς επίβλεψη, ένας αλγόριθμος εξερευνά δεδομένα εισόδου χωρίς να του δοθεί μια ρητή μεταβλητή εξόδου (π.χ. εξερευνά δημογραφικά δεδομένα πελατών για να προσδιορίσει μοτίβα)

Μπορείτε να το χρησιμοποιήσετε όταν δεν ξέρετε πώς να ταξινομήσετε τα δεδομένα και θέλετε ο αλγόριθμος να βρει μοτίβα και να ταξινομήσει τα δεδομένα για εσάς

Όνομα αλγορίθμου Περιγραφή Χαρακτηριστικά
Κ-μέσα clusterING Τοποθετεί δεδομένα σε ορισμένες ομάδες (k) που η καθεμία περιέχει δεδομένα με παρόμοια χαρακτηριστικά (όπως καθορίζεται από το μοντέλο, όχι εκ των προτέρων από τον άνθρωπο) ClusterING
Μοντέλο μείγματος Gauss Μια γενίκευση του k-means clusterπου παρέχει μεγαλύτερη ευελιξία στο μέγεθος και το σχήμα των ομάδων (clusters) ClusterING
Εδώarchiασβέστης clusterING Διαχωρίστε clusters κατά μήκος ιερέωςarchical δέντρο για να σχηματίσει ένα σύστημα ταξινόμησης.

Μπορεί να χρησιμοποιηθεί για τη Cluster πελάτης κάρτας πίστης

ClusterING
Σύστημα συστάσεων Βοηθήστε να ορίσετε τα σχετικά δεδομένα για την υποβολή μιας σύστασης. ClusterING
PCA/T-SNE Χρησιμοποιείται κυρίως για τη μείωση της διάστασης των δεδομένων. ο algorithms μειώστε τον αριθμό των χαρακτηριστικών σε 3 ή 4 διανύσματα με τις υψηλότερες διακυμάνσεις. Μείωση διαστάσεων

Πώς να επιλέξετε τον αλγόριθμο μηχανικής μάθησης

Τώρα σε αυτό το σεμινάριο για τα βασικά της μηχανικής εκμάθησης, θα μάθουμε πώς να επιλέγουμε τον αλγόριθμο Machine Learning (ML):

Υπάρχει άφθονη μηχανική μάθηση algorithms. Η επιλογή του αλγορίθμου βασίζεται στον στόχο.

Στο παρακάτω παράδειγμα μηχανικής εκμάθησης, η εργασία είναι να προβλέψουμε τον τύπο του λουλουδιού μεταξύ των τριών ποικιλιών. Οι προβλέψεις βασίζονται στο μήκος και το πλάτος του πετάλου. Η εικόνα απεικονίζει τα αποτελέσματα δέκα διαφορετικών algorithms. Η εικόνα επάνω αριστερά είναι το σύνολο δεδομένων. Τα δεδομένα ταξινομούνται σε τρεις κατηγορίες: κόκκινο, γαλάζιο και σκούρο μπλε. Υπάρχουν κάποιες ομάδες. Για παράδειγμα, από τη δεύτερη εικόνα, όλα στο επάνω αριστερό μέρος ανήκουν στην κόκκινη κατηγορία, στο μεσαίο μέρος υπάρχει ένα μείγμα αβεβαιότητας και γαλάζιου ενώ το κάτω μέρος αντιστοιχεί στη σκούρα κατηγορία. Οι άλλες εικόνες δείχνουν διαφορετικά algorithms και πώς προσπαθούν να ταξινομήσουν τα δεδομένα.

Πώς να επιλέξετε τον αλγόριθμο μηχανικής μάθησης

Προκλήσεις και περιορισμοί της Μηχανικής Μάθησης

Τώρα σε αυτό το σεμινάριο Machine Learning, θα μάθουμε για τους περιορισμούς της Machine Learning:

Η κύρια πρόκληση της μηχανικής μάθησης είναι η έλλειψη δεδομένων ή η ποικιλομορφία στο σύνολο δεδομένων. Ένα μηχάνημα δεν μπορεί να μάθει εάν δεν υπάρχουν διαθέσιμα δεδομένα. Επιπλέον, ένα σύνολο δεδομένων με έλλειψη ποικιλομορφίας δυσκολεύει το μηχάνημα. Μια μηχανή πρέπει να έχει ετερογένεια για να μάθει ουσιαστική διορατικότητα. Είναι σπάνιο ότι ένας αλγόριθμος μπορεί να εξάγει πληροφορίες όταν δεν υπάρχουν ή υπάρχουν λίγες παραλλαγές. Συνιστάται να έχετε τουλάχιστον 20 παρατηρήσεις ανά ομάδα για να βοηθήσετε το μηχάνημα να μάθει. Αυτός ο περιορισμός οδηγεί σε κακή αξιολόγηση και πρόβλεψη.

Εφαρμογή Μηχανικής Μάθησης

Τώρα σε αυτό το σεμινάριο Machine Learning, ας μάθουμε τις εφαρμογές της Machine Learning:

Αύξηση:

  • Μηχανική μάθηση, η οποία βοηθά τους ανθρώπους με τις καθημερινές τους εργασίες, προσωπικά ή εμπορικά, χωρίς να έχουν τον πλήρη έλεγχο της παραγωγής. Αυτή η μηχανική εκμάθηση χρησιμοποιείται με διαφορετικούς τρόπους, όπως Virtual Assistant, ανάλυση δεδομένων, λύσεις λογισμικού. Ο κύριος χρήστης είναι να μειώσει τα σφάλματα που οφείλονται σε ανθρώπινη προκατάληψη.

Αυτοματοποίηση:

  • Μηχανική μάθηση, η οποία λειτουργεί εντελώς αυτόνομα σε οποιονδήποτε τομέα χωρίς να χρειάζεται καμία ανθρώπινη παρέμβαση. Για παράδειγμα, ρομπότ που εκτελούν τα βασικά βήματα της διαδικασίας στα εργοστάσια παραγωγής.

Χρηματοοικονομική βιομηχανία

  • Η μηχανική μάθηση είναι growing σε δημοτικότητα στον χρηματοοικονομικό κλάδο. Οι τράπεζες χρησιμοποιούν κυρίως ML για να βρουν μοτίβα μέσα στα δεδομένα αλλά και για να αποτρέψουν την απάτη.

Κυβερνητικός οργανισμός

  • Η κυβέρνηση κάνει χρήση του ML για τη διαχείριση της δημόσιας ασφάλειας και των υπηρεσιών κοινής ωφέλειας. Πάρτε το παράδειγμα της Κίνας με τη μαζική αναγνώριση προσώπου. Η κυβέρνηση χρησιμοποιεί Τεχνητή νοημοσύνη για την πρόληψη του jaywalker.

Βιομηχανία υγείας

  • Η υγειονομική περίθαλψη ήταν ένας από τους πρώτους κλάδους που χρησιμοποίησε μηχανική μάθηση με ανίχνευση εικόνας.

Μάρκετινγκ

  • Η ευρεία χρήση της τεχνητής νοημοσύνης γίνεται στο μάρκετινγκ χάρη στην άφθονη πρόσβαση στα δεδομένα. Πριν από την εποχή των μαζικών δεδομένων, οι ερευνητές αναπτύσσουν προηγμένα μαθηματικά εργαλεία όπως η Bayesian ανάλυση για να εκτιμήσουν την αξία ενός πελάτη. Με την έκρηξη των δεδομένων, το τμήμα μάρκετινγκ βασίζεται στην τεχνητή νοημοσύνη για τη βελτιστοποίηση της σχέσης με τον πελάτη και της καμπάνιας μάρκετινγκ.

Παράδειγμα εφαρμογής της Μηχανικής Μάθησης στην Εφοδιαστική Αλυσίδα

Η μηχανική εκμάθηση δίνει καταπληκτικά αποτελέσματα για την οπτική αναγνώριση προτύπων, ανοίγοντας πολλές πιθανές εφαρμογές στη φυσική επιθεώρηση και συντήρηση σε ολόκληρο το δίκτυο της εφοδιαστικής αλυσίδας.

Η μάθηση χωρίς επίβλεψη μπορεί γρήγορα να αναζητήσει συγκρίσιμα μοτίβα στο ποικίλο σύνολο δεδομένων. Με τη σειρά του, το μηχάνημα μπορεί να εκτελέσει ποιοτική επιθεώρηση σε όλο τον κόμβο εφοδιαστικής, αποστολή με ζημιά και φθορά.

Για παράδειγμα, IBMΗ πλατφόρμα Watson μπορεί να προσδιορίσει τη ζημιά στα εμπορευματοκιβώτια αποστολής. Η Watson συνδυάζει οπτικά δεδομένα και δεδομένα που βασίζονται σε συστήματα για να παρακολουθεί, να αναφέρει και να κάνει συστάσεις σε πραγματικό χρόνο.

Κατά το παρελθόν έτος, ο διαχειριστής μετοχών βασίζεται σε μεγάλο βαθμό στην κύρια μέθοδο για την αξιολόγηση και την πρόβλεψη του αποθέματος. Κατά τον συνδυασμό μεγάλων δεδομένων και μηχανικής μάθησης, έχουν εφαρμοστεί καλύτερες τεχνικές πρόβλεψης (βελτίωση 20 έως 30 % σε σχέση με τα παραδοσιακά εργαλεία πρόβλεψης). Όσον αφορά τις πωλήσεις, σημαίνει αύξηση 2 έως 3 % λόγω της πιθανής μείωσης του κόστους αποθεμάτων.

Παράδειγμα Machine Learning Google Car

Για παράδειγμα, όλοι γνωρίζουν το αυτοκίνητο της Google. Το αυτοκίνητο είναι γεμάτο λέιζερ στην οροφή που του λένε πού είναι σχετικά με τη γύρω περιοχή. Διαθέτει ραντάρ στο μπροστινό μέρος, το οποίο ενημερώνει το αυτοκίνητο για την ταχύτητα και την κίνηση όλων των αυτοκινήτων γύρω του. Χρησιμοποιεί όλα αυτά τα δεδομένα για να καταλάβει όχι μόνο πώς να οδηγεί το αυτοκίνητο, αλλά και για να καταλάβει και να προβλέψει τι θα κάνουν οι πιθανοί οδηγοί γύρω από το αυτοκίνητο. Αυτό που είναι εντυπωσιακό είναι ότι το αυτοκίνητο επεξεργάζεται σχεδόν ένα gigabyte το δευτερόλεπτο δεδομένων.

Εφαρμογή Μηχανικής Μάθησης

Γιατί είναι σημαντική η μηχανική μάθηση;

Η μηχανική μάθηση είναι το καλύτερο εργαλείο μέχρι στιγμής για την ανάλυση, την κατανόηση και τον εντοπισμό ενός μοτίβου στα δεδομένα. Μία από τις κύριες ιδέες πίσω από τη μηχανική μάθηση είναι ότι ο υπολογιστής μπορεί να εκπαιδευτεί ώστε να αυτοματοποιεί εργασίες που θα ήταν εξαντλητικές ή αδύνατες για έναν άνθρωπο. Η σαφής παράβαση από την παραδοσιακή ανάλυση είναι ότι η μηχανική μάθηση μπορεί να λάβει αποφάσεις με ελάχιστη ανθρώπινη παρέμβαση.

Πάρτε το following παράδειγμα για αυτό το σεμινάριο ML. ένας πράκτορας λιανικής μπορεί να εκτιμήσει την τιμή ενός σπιτιού με βάση τη δική του εμπειρία και τις γνώσεις του για την αγορά.

Ένα μηχάνημα μπορεί να εκπαιδευτεί ώστε να μεταφράζει τη γνώση ενός ειδικού σε χαρακτηριστικά. Τα χαρακτηριστικά είναι όλα τα χαρακτηριστικά ενός σπιτιού, γειτονιάς, οικονομικού περιβάλλοντος κλπ που κάνουν τη διαφορά τιμής. Για τον ειδικό, του πήρε πιθανώς κάποια χρόνια για να κατακτήσει την τέχνη της εκτίμησης της τιμής ενός σπιτιού. Η εμπειρία του γίνεται όλο και καλύτερη μετά από κάθε πώληση.

Για το μηχάνημα, χρειάζονται εκατομμύρια δεδομένα, (δηλαδή, για παράδειγμα) για να κυριαρχήσει αυτή η τέχνη. Στην αρχή της εκμάθησής του, το μηχάνημα κάνει ένα λάθος, όπως ο μικρότερος πωλητής. Μόλις το μηχάνημα δει όλο το παράδειγμα, πήρε αρκετές γνώσεις για να κάνει την εκτίμησή του. Ταυτόχρονα, με απίστευτη ακρίβεια. Το μηχάνημα είναι επίσης σε θέση να προσαρμόσει ανάλογα το λάθος του.

Οι περισσότερες από τις μεγάλες εταιρείες έχουν κατανοήσει την αξία της μηχανικής μάθησης και της διατήρησης δεδομένων. Η McKinsey έχει εκτιμήσει ότι η αξία των αναλυτικών στοιχείων κυμαίνεται από $9.5 τρισ $15.4 τρισ. ενώ $5 έως 7 τρισεκατομμύρια μπορούν να αποδοθούν στις πιο προηγμένες τεχνικές τεχνητής νοημοσύνης.

Διαβάστε επίσης Τι είναι η Ασαφής Λογική; Archiδομή, εφαρμογή και παράδειγμα: Click Here