Или короткое и простое введение в машинное обучение

Если вы проектируете компанию, вы пытаетесь сократить все циклы, необходимые для поступления доходов на ваш банковский счет. Машинное обучение может масштабировать циклы, зависящие от анализа данных. Например, масштабирование отдела продаж начинается с анализа того, кто приносит доход. Вы можете отслеживать количество отправленных электронных писем и собраний, организованных на разных платформах для разных отраслей. Вы рисуете все это и используете сводную таблицу для получения информации. Что ж, не думайте больше, машинное обучение может понять эти лучшие шаблоны для вас и может предсказать, пройдет ли встреча или электронная почта хорошо, еще до того, как вы настроите их. Машина может работать на вас 24/7 и принимать решения много раз в день. Подключите Siri к своей стратегии машинного обучения, и она сама начнет продавать!

Как работает машинное обучение в целом?

У вас есть данные. Вы получаете статистику по этим данным. И вы используете эту статистику для принятия решения точно так же, как и в своей повседневной работе. Например, вы запускаете рекламную кампанию. И вы пытаетесь распределить свой бюджет на мобильные и десктопные платформы. Вы понимаете, что 80% ваших конверсий приходятся на мобильные устройства, а затем перераспределяете свой бюджет в основном на мобильные устройства. Звучит так очевидно, не так ли?

Почему нам нужна машина, чтобы принимать решения?

Принятие решения, когда у вас много сложных данных, может быть трудным. Предыдущее решение было принято с единственной переменной: конверсия с мобильных устройств по сравнению с настольными. Однако вы можете начать разбивку по демографическим данным, данным Facebook, местоположению и т. д. Внезапно у вас появляются сотни измерений, которые вы можете использовать для принятия решения. Машины способны повторять один и тот же процесс снова и снова. Вот тогда машинное обучение может вам помочь. Вы масштабируете процесс принятия решений, повторяя и комбинируя каждую сводную таблицу, которую вы можете придумать, в сервер, который обрабатывает данные для вас 24 часа в сутки 7 дней в неделю.

Какие ответы он мне может дать?

Самая простая модель — бинарная. Он возвращает либо истину, либо ложь, простой вопрос да нет. Для Netflix речь идет о том, хотите ли вы фильм. Для Amazon речь идет о том, нужен ли вам товар. Для Facebook это то, знаете ли вы друга. Для LinkedIn важно, интересуетесь ли вы кем-то — упс, это был Tinder. Эти рекомендации или решения принимаются каждый день для каждого пользователя в их системе и вносятся изменения на основе поступающих новых данных. И это сотни миллионов решений ежедневно, которые вы никогда не сможете масштабировать, нанимая людей. Цикл технологических гигантов, который выглядит как «показать пользователю рекомендацию, проанализировать конверсию, показать пользователю еще одну рекомендацию», теперь короток благодаря машинному обучению, выполняющему анализ непрерывно, а не людям, делающим это на десятой чашке кофе в конце дня. Вечер пятницы.

Amazon создал отличный учебник, который, я думаю, доступен любому технически подкованному человеку здесь. Начните искать повторяющиеся решения, основанные на анализе данных в ваших циклах. И, возможно, вы придумаете новый способ использования готового машинного обучения, чтобы помочь вам. Например, нужна ли вашей системе обработка рекомендаций? Вам нужно постоянно получать больше информации о ваших продажах? Если у вас есть интересные потребности, не забудьте опубликовать их здесь!