機器學習原則

Machine Learning for Business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

機器學習類型

機器學習：將統計或電腦科學方法應用於資料，以便：

1. 萃取因果洞見

   「是什麼原因讓顧客取消訂閱我們的服務？」

2. 預測未來事件

   「哪些顧客可能在下個月取消訂閱？」

3. 理解資料型態

   「是否有一群顧客彼此相似，且使用我們服務的方式也相近？」

監督式 vs. 非監督式 ML

機器學習：將統計或電腦科學方法應用於資料，以便：

1. 萃取因果洞見

   SUPERVISED Machine Learning

2. 預測未來事件

   SUPERVISED Machine Learning

3. 理解資料型態

   UNSUPERVISED Machine Learning

監督式 ML 的資料結構

目標變數

輸入特徵

輸入特徵範例

使用輸入特徵

預測目標變數

非監督式 ML 的資料結構

非監督式輸入特徵

非監督式 ML 結果

ML 範例－行銷

SUPERVISED Machine Learning：

• 預測哪些顧客下個月可能購買
• 預測每位顧客的預期終身價值

UNSUPERVISED Machine Learning：

• 依過往購買把顧客分群

ML 範例－金融

SUPERVISED Machine Learning：

• 找出可能詐欺的關鍵交易屬性
• 預測哪些顧客會違約房貸

UNSUPERVISED Machine Learning：

• 依屬性將交易分群，以了解哪些群組最具獲利性

ML 範例－製造

SUPERVISED Machine Learning：

• 預測哪些生產品可能有瑕疵，需要人工檢查
• 預測哪些機器可能故障，需要維修

UNSUPERVISED Machine Learning：

• 將機器感測器讀值分群，找出異常以偵測潛在製造問題

ML 範例－運輸

SUPERVISED Machine Learning：

• 預測包裹的預計送達時間
• 找出最速行車路線
• 預測產品需求，以準備庫存、租買車輛並招募人力

一起來練習吧！

Machine Learning for Business