Приложения и типы машинного обучения

Каковы приложения машинного обучения? Тип машинного обучения?

Согласно Википедии:Машинное обучение (МО) — это изучение компьютерных алгоритмов, которые автоматически совершенствуются благодаря опыту. Он рассматривается как подмножество искусственного интеллекта. Алгоритмы машинного обучения строят модель на основе выборочных данных, известных как «данные для обучения», чтобы делать прогнозы или принимать решения без явного программирования для этого.

Применение машинного обучения

1. Применение машинного обучения в розничной торговле

Машинное обучение открыло новую перспективу в области маркетинга и оптимизации бизнес-процессов в розничном секторе. Чтобы понять применение машинного обучения для розничной торговли, давайте рассмотрим различные контексты, в которых эта технология используется для розничной торговли.

• Предложить розничному покупателю действительно персонализированные рекомендации по продуктам.
• Предлагая лучшую цену для увеличения продаж за счет динамической корректировки цен в режиме реального времени.
• Улучшение планирования запасов и обеспечение более качественного обслуживания с помощью правильных прогнозов.
• Предлагая более быструю и эффективную доставку на основе прошлых данных о клиентах и ​​их поведении.
• Лучшее прогнозирование продаж и обслуживания клиентов на основе более ранних данных о поведении клиентов.
• Совершенствование пользовательского интерфейса приложения и оптимизация контента веб-сайта на основе поведения и взаимодействия клиентов в приложении и в Интернете.
• Лучшее сегментирование клиентов на основе предыдущего поведения клиентов.

2. Применение машинного обучения в путешествиях

Наука о данных показывает, как мы будем путешествовать в будущем. Если вы ищете новые идеи о том, как эффективно использовать огромные данные, которые дает ваша бизнес-деятельность, вот несколько приложений машинного обучения в индустрии туризма.

• Умный помощник по путешествиям дляпоиска самых дешевых предложений, бронирования авиабилетов и бронирования отелей, планирования полных поездок и повышения качества обслуживания клиентов с помощью полезной информации.
• Улучшенные платформы рекомендаций для предложений по аренде автомобилей, альтернативные даты поездок или маршруты, новые направления путешествий в соответствии с предпочтениями пользователей или даже некоторые рекомендуемые местные достопримечательности.
• Тарифы на авиабилеты и цены на отели постоянно меняются в зависимости от поставщика и ожидания покупки. Так что с помощью интеллектуальных инструментов машинного обучения, которые отслеживают и своевременно отправляют оповещения с интересными предложениями, пользуются большим спросом в индустрии туризма.
• Анализ поведения клиентов с помощью профилей и технологий машинного обучения может помочь предотвратить и обнаружить незаконные транзакции.

3. Применение машинного обучения в здравоохранении

Растущее число приложений машинного обучения в здравоохранении позволяет нам заглянуть в будущее, где данные, анализ и инновации работают рука об руку, помогая бесчисленному количеству пациентов, даже не осознавая этого.

1. Выявление заболеваний и диагностика

2. Открытие и производство лекарств

3. Персонализированная медицина

4. Модификация поведения на основе машинного обучения

5. Умные записи о здоровье

6. Клинические испытания и исследования

7. Прогноз вспышки

4. Приложения машинного обучения в финансах

• Обнаружение мошенничества. Для выявления и предотвращения мошеннических транзакций требуются сложные решения, способные анализировать большие объемы данных.
• Инвестиционные прогнозы: управляющие фондами могут определять изменения рынка раньше, чем это возможно при использовании традиционных инвестиционных моделей.
• Обслуживание клиентов. Машинное обучение открывает новые возможности для виртуальных помощников, позволяя им учиться.
• Андеррайтинг ссуды: финансовые учреждения, предлагающие страховые продукты своим клиентам, получают те же преимущества от ОД, что и страховые компании.
• Автоматизация процессов: машинное обучение может не только автоматизировать бэк-офис и клиентские процессы. Он может интерпретировать документы, анализировать данные и предлагать или выполнять интеллектуальные ответы.

5. Приложения машинного обучения в медиа

Приложения машинного обучения для маркетинга в социальных сетях в значительной степени зависят от таких подполей ИИ, как обработка естественного языка и оптическое распознавание символов.

• Распознавание текста: может анализировать текст в любом файле изображения, которое вы загружаете, а затем преобразовывать текст из изображения в текст, что полезно при распознавании рукописного ввода.
• Распознавание изображений. Самая противоречивая технология пакета искусственного интеллекта Facebook — это знаменитая сеть DeepFace для распознавания лиц.
• Платформа рекомендаций. Персонализированные рекомендации по контенту виноваты в формировании зависимости от социальных сетей. Отличным примером является вкладка «Изучение» в Instagram, которая анализирует, какие публикации вызывают у вас интерес, чтобы заполнить вкладку «Изучение» похожими изображениями.

Типы машинного обучения

Классическое машинное обучение часто классифицируют по тому, как алгоритм учится становиться более точными в своих прогнозах. Существует три основных подхода: обучение с учителем, обучение без учителя и обучение с подкреплением. Тип алгоритма, который выберет специалист по данным, зависит от того, какой тип данных он хочет предсказать.

Контролируемое обучение

В этом типе машинного обучения исследователи данных предоставляют алгоритмам помеченные обучающие данные и определяют переменные, которые они хотят, чтобы алгоритм оценивал на предмет корреляций. Задаются как вход, так и выход алгоритма.

Рассмотрим пример школы, где учитель попросил проверить успеваемость своего ученика на основе случайного теста. У преподавателя уже есть с собой тестовые ответы, плюс ответы, которые дал студент. Теперь учитель будет сверять ответы учеников с реальными ответами, чтобы получить представление, это называется точностью. Таким же образом, контролируя учебные работы, будет 2 выхода: один, который дает машина, и фактический результат.

Проблемы контролируемого обучения могут быть далее сгруппированы в проблемы регрессии и классификации.

Классификация: проблема классификации возникает, когда выходная переменная представляет собой категорию, такую ​​как красный или синий, или болезнь, и отсутствие болезни.

Регрессия: проблема регрессии возникает, когда выходная переменная представляет собой реальное значение, например, доллары или вес.

Неконтролируемое машинное обучение

Этот тип машинного обучения включает алгоритмы, которые обучаются на неразмеченных данных. Алгоритм сканирует наборы данных в поисках любой значимой связи. Как алгоритмы данных обучаются, так и прогнозы или рекомендации, которые они выводят, предопределены.

Давайте возьмем случай с ребенком и ее семейной собакой. Ребенок знает и идентифицирует свою собаку. Через несколько недель друг семьи приводит с собой собаку и пытается играть с малышом. Малыш не видел эту собаку раньше. Но она признает многие черты (2 уха, глаза, ходьба на 4 лапах) как у ее любимой собаки. Она идентифицирует новое животное как собаку. Это обучение без учителя, когда вас не учат, а вы учитесь на данных (в данном случае данных о собаке). Если бы это обучение было под наблюдением, друг семьи сказал бы ребенку, что это собака.

Проблемы неконтролируемого обучения могут быть дополнительно сгруппированы в проблемы кластеризации и ассоциации.

Кластеризация: в основном это касается поиска структуры или шаблона в наборе неклассифицированных данных. Алгоритмы кластеризации обработают ваши данные и найдут естественные кластеры (группы), если они существуют в данных.

Ассоциация: Этот неконтролируемый метод предназначен для обнаружения интересных отношений между переменными в больших базах данных. Например, люди, которые покупают новый дом, чаще всего покупают новую мебель.

Обучение с подкреплением

Обучение с подкреплением обычно используется, чтобы научить машину выполнять многоэтапный процесс, для которого существуют четко определенные правила. Обучение с подкреплением заключается в последовательном принятии решений. Проще говоря, можно сказать, что выход зависит от состояния текущего входа, а следующий вход зависит от выхода предыдущего входа.

Давайте рассмотрим пример того, как вы играете в игру. Вы можете достичь финального уровня за один раз. Вы сначала играете в игру, проигрываете ее несколько раз, учитесь на своих ошибках и переигрываете ее. Таким же образом работает обучение с подкреплением.

Я надеюсь, вы поняли приложения и типы машинного обучения.

использованная литература

[1]. «Учебник по машинному обучению». www.cs.cmu.edu. Проверено 28 мая 2020 г.

[2] Книга: Мастер алгоритмов машинного обучения Джейсона Браунли.

[3]. Ссылка на Википедию: https://en.wikipedia.org/wiki/Machine_learning

[4]. https://data-flair.training/blogs/machine-learning-tutorial