Modele predykcyjne (uczenie nadzorowane)

Uczenie maszynowe dla biznesu

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Uczenie nadzorowane vs. nienadzorowane

Modele nadzorowane

Przewidywanie klasy/typu wyniku (np. rezygnacja z subskrypcji, oszustwo, zakup) – KLASYFIKACJA

Przewidywanie wartości wyniku (np. wydana kwota, liczba godzin) – REGRESJA

Modele nienadzorowane

Grupowanie – podział obserwacji na podobne skupienia (np. segmentacja klientów lub rynku)

Rodzaje uczenia nadzorowanego

Klasyfikacja – zmienna docelowa jest kategoryczna (dyskretna) (klasyfikacja)

Czy klient zrezygnuje z subskrypcji?

Czy ta transakcja jest fraudem?

Jaki jest zawód tego użytkownika?

Regresja – zmienna docelowa jest ciągła (wartość wyniku) (regresja)

Liczba zakupów produktu w przyszłym miesiącu

Liczba godzin gry w przyszłym roku

Wydatki na ubezpieczenie (w dolarach)

Zbieranie danych

Zespoły ML powinny zbierać wszystkie dostępne dane, aby jak najdokładniej przewidywać pożądany wynik, np. w przypadku prognoz zakupów:

Dane o klientach

Historia zakupów, rezygnacje, wartość zamówień

Historia przeglądania, logi, błędy

Informacje o urządzeniu i lokalizacja

Częstotliwość korzystania z produktu/usługi

I inne...

Przykład klasyfikacji

klasyfikacja – dane

Klasyfikacja – trenowanie

klasyfikacja – trenowanie

Klasyfikacja – uczenie

uczenie klasyfikacyjne

Klasyfikacja – nowe dane

klasyfikacja – nowe dane

Klasyfikacja – predykcja

klasyfikacja – predykcja

Przykład regresji

dane regresji

Regresja – trenowanie

regresja – trenowanie

Regresja – uczenie

regresja – uczenie

Regresja – nowe dane

regresja – nowe dane

Regresja – predykcja

regresja – predykcja

Regresja – rzeczywista predykcja

regresja – rzeczywista predykcja

Czas na ćwiczenia!

Uczenie maszynowe dla biznesu