22 KiB
Постскриптум: Машинско учење у стварном свету
Скица од Tomomi Imura
У овом курикулуму научили сте многе начине за припрему података за тренирање и креирање модела машинског учења. Направили сте серију класичних модела за регресију, кластеризацију, класификацију, обраду природног језика и временске серије. Честитамо! Сада се можда питате чему све то служи... које су стварне примене ових модела?
Иако је велики интерес у индустрији усмерен ка вештачкој интелигенцији, која обично користи дубоко учење, и даље постоје вредне примене за класичне моделе машинског учења. Можда чак и данас користите неке од ових примена! У овој лекцији истражићете како осам различитих индустрија и области користе ове типове модела да би њихове апликације биле ефикасније, поузданије, интелигентније и вредније за кориснике.
Квиз пре предавања
💰 Финансије
Финансијски сектор нуди многе могућности за машинско учење. Многи проблеми у овој области могу се моделирати и решити коришћењем ML.
Детекција преваре са кредитним картицама
Раније у курсу смо научили о k-means кластеризацији, али како се она може користити за решавање проблема везаних за преваре са кредитним картицама?
K-means кластеризација је корисна у техници детекције превара са кредитним картицама која се зове детекција одступања. Одступања, или девијације у посматрањима скупа података, могу нам указати да ли се кредитна картица користи на нормалан начин или се дешава нешто необично. Као што је приказано у раду повезаном испод, можете сортирати податке о кредитним картицама користећи k-means кластеризациони алгоритам и доделити сваку трансакцију кластеру на основу тога колико изгледа као одступање. Затим можете проценити најризичније кластере за преварне у односу на легитимне трансакције. Референца
Управљање богатством
У управљању богатством, појединац или фирма управља инвестицијама у име својих клијената. Њихов задатак је да одрже и повећају богатство на дугорочном нивоу, па је од суштинског значаја одабрати инвестиције које добро функционишу.
Један од начина да се процени како одређена инвестиција функционише је кроз статистичку регресију. Линеарна регресија је вредан алат за разумевање како фонд функционише у односу на неки репер. Такође можемо закључити да ли су резултати регресије статистички значајни, односно колико би утицали на инвестиције клијента. Можете чак и да проширите своју анализу користећи вишеструку регресију, где се могу узети у обзир додатни фактори ризика. За пример како би ово функционисало за одређени фонд, погледајте рад испод о процени перформанси фонда користећи регресију. Референца
🎓 Образовање
Образовни сектор је такође веома интересантна област где се ML може применити. Постоје занимљиви проблеми које треба решити, као што су откривање варања на тестовима или есејима, или управљање пристрасношћу, намерном или ненамерном, у процесу исправљања.
Предвиђање понашања студената
Coursera, провајдер онлајн курсева, има одличан технолошки блог где дискутују о многим инжењерским одлукама. У овој студији случаја, они су нацртали линију регресије како би истражили било какву корелацију између ниске NPS (Net Promoter Score) оцене и задржавања или напуштања курса. Референца
Ублажавање пристрасности
Grammarly, асистент за писање који проверава правопис и граматичке грешке, користи софистициране системе за обраду природног језика у својим производима. Они су објавили занимљиву студију случаја у свом технолошком блогу о томе како су се носили са родном пристрасношћу у машинском учењу, о чему сте учили у нашој уводној лекцији о правичности. Референца
👜 Малопродаја
Малопродајни сектор дефинитивно може имати користи од употребе ML, од креирања бољег корисничког искуства до оптималног складиштења инвентара.
Персонализација корисничког искуства
У Wayfair-у, компанији која продаје кућне производе као што је намештај, помоћ купцима да пронађу праве производе за свој укус и потребе је од суштинског значаја. У овом чланку, инжењери из компаније описују како користе ML и NLP да "прикажу праве резултате за купце". Посебно, њихов Query Intent Engine је изграђен да користи екстракцију ентитета, тренирање класификатора, екстракцију садржаја и мишљења, и означавање сентимента на рецензијама купаца. Ово је класичан пример како NLP функционише у онлајн малопродаји. Референца
Управљање инвентаром
Иновативне, агилне компаније као што је StitchFix, сервис који шаље кутије са одећом потрошачима, у великој мери се ослањају на ML за препоруке и управљање инвентаром. Њихови тимови за стилизовање сарађују са тимовима за мерчандајзинг: "један од наших научника за податке експериментисао је са генетским алгоритмом и применио га на одећу да предвиди шта би био успешан комад одеће који данас не постоји. Донели смо то тиму за мерчандајзинг и сада они могу да користе то као алат." Референца
🏥 Здравство
Здравствени сектор може користити ML за оптимизацију истраживачких задатака, као и логистичких проблема као што су поновни пријем пацијената или заустављање ширења болести.
Управљање клиничким испитивањима
Токсичност у клиничким испитивањима је велики проблем за произвођаче лекова. Колико токсичности је прихватљиво? У овој студији, анализа различитих метода клиничких испитивања довела је до развоја новог приступа за предвиђање исхода клиничких испитивања. Конкретно, успели су да користе random forest за креирање класификатора који може да разликује групе лекова. Референца
Управљање поновним пријемом у болницу
Болничка нега је скупа, посебно када пацијенти морају поново да буду примљени. Овај рад дискутује о компанији која користи ML за предвиђање потенцијала за поновни пријем користећи кластеризационе алгоритме. Ови кластери помажу аналитичарима да "открију групе поновних пријема који могу делити заједнички узрок". Референца
Управљање болестима
Недавна пандемија је бацила светло на начине на које машинско учење може помоћи у заустављању ширења болести. У овом чланку, препознаћете употребу ARIMA, логистичких кривих, линеарне регресије и SARIMA. "Овај рад је покушај да се израчуна стопа ширења овог вируса и тако предвиде смртни случајеви, опоравци и потврђени случајеви, како би нам помогао да се боље припремимо и преживимо." Референца
🌲 Екологија и зелена технологија
Природа и екологија се састоје од многих осетљивих система где интеракција између животиња и природе долази у фокус. Важно је бити у стању да тачно измеримо ове системе и реагујемо на одговарајући начин ако се нешто догоди, као што је шумски пожар или пад популације животиња.
Управљање шумама
Научили сте о учењу путем појачања у претходним лекцијама. Оно може бити веома корисно када се покушавају предвидети обрасци у природи. Посебно, може се користити за праћење еколошких проблема као што су шумски пожари и ширење инвазивних врста. У Канади, група истраживача је користила учење путем појачања за изградњу модела динамике шумских пожара из сателитских снимака. Користећи иновативни "процес просторног ширења (SSP)", замислили су шумски пожар као "агента на било којој ћелији у пејзажу." "Скуп акција које пожар може предузети са локације у било ком тренутку укључује ширење на север, југ, исток или запад или не ширење.
Овај приступ обрће уобичајену поставку RL-а, јер је динамика одговарајућег Марковљевог процеса одлучивања (MDP) позната функција за тренутно ширење пожара." Прочитајте више о класичним алгоритмима које је ова група користила на линку испод. Референца
Сензори за праћење кретања животиња
Иако је дубоко учење створило револуцију у визуелном праћењу кретања животиња (можете направити сопствени трагач за поларне медведе овде), класично ML и даље има своје место у овом задатку.
Сензори за праћење кретања фармских животиња и IoT користе ову врсту визуелне обраде, али основније технике ML су корисне за претходну обраду података. На пример, у овом раду, положаји оваца су праћени и анализирани користећи различите алгоритме класификатора. Можда ћете препознати ROC криву на страници 335. Референца
⚡️ Управљање енергијом
У нашим лекцијама о предвиђању временских серија, позвали смо се на концепт паметних паркинг метара за генерисање прихода за град на основу разумевања понуде и потражње. Овај чланак детаљно дискутује како су кластеризација, регресија и предвиђање временских серија комбиновани да би помогли у предвиђању будуће потрошње енергије у Ирској, на основу паметног мерења. Референца
💼 Осигурање
Сектор осигурања је још један сектор који користи ML за конструисање и оптимизацију одрживих финансијских и актуарских модела.
Управљање волатилношћу
MetLife, провајдер животног осигурања, отворено говори о начину на који анализирају и ублажавају волатилност у својим финансијским моделима. У овом чланку приметићете визуализације бинарне и ординалне класификације. Такође ћете открити визуализације предвиђања. Референца
🎨 Уметност, култура и књижевност
У уметности, на пример у новинарству, постоје многи занимљиви проблеми. Откривање лажних вести је велики проблем, јер је доказано да утиче на мишљење људи, па чак и на рушење демократија. Музеји такође могу имати користи од употребе ML у свему, од проналажења веза између артефаката до планирања ресурса.
Детекција лажних вести
Откривање лажних вести постало је игра мачке и миша у данашњим медијима. У овом чланку, истраживачи предлажу систем који комбинује неколико ML техника које смо проучавали и тестирају најбољи модел: "Овај систем се заснива на обради природног језика за екстракцију карактеристика из података, а затим се те карактеристике користе за тренирање класификатора машинског учења као што су Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD) и Logistic Regression (LR)." Референца
Овај чланак показује како комбиновање различитих ML области може произвести занимљиве резултате који могу помоћи у заустављању ширења лажних вести и стварању стварне штете; у овом случају, импулс је био ширење гласина о COVID третманима које су изазвале насиље.
ML у музејима
Музеји су на прагу AI револуције у којој каталогизација и дигитализација колекција и проналажење веза између артефаката постаје лакше како технологија напредује. Пројекти као што је In Codice Ratio помажу у откључавању мистерија недоступних колекција као што су Ватикански архиви. Али, пословни аспект музеја има користи од ML модела
Квиз након предавања
Преглед и Самостално Учење
Тим за науку о подацима компаније Wayfair има неколико занимљивих видео снимака о томе како користе машинско учење у својој компанији. Вреди погледати!
Задатак
Лов на благо у машинском учењу
Одрицање од одговорности:
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције Co-op Translator. Иако настојимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на изворном језику треба сматрати ауторитативним извором. За критичне информације препоручује се професионални превод од стране људи. Не сносимо одговорност за било каква неспоразумевања или погрешна тумачења која могу произаћи из коришћења овог превода.