Zasady uczenia maszynowego

Uczenie maszynowe dla biznesu

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Rodzaje uczenia maszynowego

Uczenie maszynowe – stosowanie metod statystycznych lub informatycznych do danych w celu:

  1. Wyciągania wniosków przyczynowych

    "Co powoduje, że klienci rezygnują z naszych usług?"

  2. Prognozowania przyszłych zdarzeń

    "Którzy klienci prawdopodobnie zrezygnują z subskrypcji w przyszłym miesiącu?"

  3. Odkrywania wzorców w danych

    "Czy istnieją grupy klientów, którzy są podobni i korzystają z naszych usług w zbliżony sposób?"

Uczenie maszynowe dla biznesu

ML nadzorowane vs. nienadzorowane

Uczenie maszynowe – stosowanie metod statystycznych lub informatycznych do danych w celu:

  1. Wyciągania wniosków przyczynowych

    Uczenie maszynowe NADZOROWANE

  2. Prognozowania przyszłych zdarzeń

    Uczenie maszynowe NADZOROWANE

  3. Odkrywania wzorców w danych

    Uczenie maszynowe NIENADZOROWANE

Uczenie maszynowe dla biznesu

Struktura danych w uczeniu nadzorowanym

inference-vs-prediction1

Uczenie maszynowe dla biznesu

Zmienna docelowa

inference-vs-prediction2

Uczenie maszynowe dla biznesu

Cechy wejściowe

inference-vs-prediction

Uczenie maszynowe dla biznesu

Przykładowe cechy wejściowe

samplefraud

Uczenie maszynowe dla biznesu

Wykorzystanie cech wejściowych

inference-vs-prediction4

Uczenie maszynowe dla biznesu

Prognozowanie zmiennej docelowej

inference-vs-prediction5

Uczenie maszynowe dla biznesu

Struktura danych w uczeniu nienadzorowanym

unsupervised1

Uczenie maszynowe dla biznesu

Cechy wejściowe w uczeniu nienadzorowanym

input-feat-unsupervised

Uczenie maszynowe dla biznesu

Wyniki uczenia nienadzorowanego

clustering

Uczenie maszynowe dla biznesu

Przykłady ML – marketing

Uczenie maszynowe NADZOROWANE:

  • Prognozowanie, którzy klienci prawdopodobnie dokonają zakupu w przyszłym miesiącu
  • Prognozowanie oczekiwanej wartości życiowej klienta

Uczenie maszynowe NIENADZOROWANE:

  • Segmentacja klientów na podstawie historii zakupów
Uczenie maszynowe dla biznesu

Przykłady ML – finanse

Uczenie maszynowe NADZOROWANE:

  • Identyfikacja atrybutów transakcji wskazujących na potencjalne oszustwo
  • Prognozowanie, którzy klienci nie spłacą kredytu hipotecznego

Uczenie maszynowe NIENADZOROWANE:

  • Segmentacja transakcji według atrybutów w celu identyfikacji najbardziej rentownych grup
Uczenie maszynowe dla biznesu

Przykłady ML – produkcja

Uczenie maszynowe NADZOROWANE:

  • Prognozowanie, które elementy produkcji są wadliwe i wymagają kontroli
  • Prognozowanie, które maszyny mogą ulec awarii i wymagają konserwacji

Uczenie maszynowe NIENADZOROWANE:

  • Grupowanie odczytów z czujników maszyn i wykrywanie anomalii wskazujących na usterki
Uczenie maszynowe dla biznesu

Przykłady ML – transport

Uczenie maszynowe NADZOROWANE:

  • Prognozowanie przewidywanego terminu dostawy paczki
  • Wyznaczanie najszybszej trasy przejazdu
  • Prognozowanie popytu na produkty w celu planowania zapasów, pojazdów i pracowników
Uczenie maszynowe dla biznesu

Czas na ćwiczenia!

Uczenie maszynowe dla biznesu

Preparing Video For Download...