28 KiB
ปัจฉิมลิขิต: การเรียนรู้ของเครื่องในโลกแห่งความจริง
สเก็ตโน้ตโดย Tomomi Imura
ในหลักสูตรนี้ คุณได้เรียนรู้วิธีการเตรียมข้อมูลสำหรับการฝึกอบรมและสร้างโมเดลการเรียนรู้ของเครื่อง คุณได้สร้างชุดโมเดลคลาสสิก เช่น การถดถอย การจัดกลุ่ม การจำแนก การประมวลผลภาษาธรรมชาติ และโมเดลอนุกรมเวลา ยินดีด้วย! ตอนนี้คุณอาจสงสัยว่าสิ่งเหล่านี้มีประโยชน์อย่างไรในโลกแห่งความจริง... โมเดลเหล่านี้มีการนำไปใช้จริงในด้านใดบ้าง?
แม้ว่าความสนใจในอุตสาหกรรมจะมุ่งไปที่ AI ซึ่งมักใช้การเรียนรู้เชิงลึก แต่โมเดลการเรียนรู้ของเครื่องแบบคลาสสิกยังคงมีการนำไปใช้ที่มีคุณค่า คุณอาจเคยใช้บางแอปพลิเคชันเหล่านี้ในชีวิตประจำวัน! ในบทเรียนนี้ คุณจะได้สำรวจว่าอุตสาหกรรมและโดเมนความรู้ 8 ประเภทใช้โมเดลเหล่านี้อย่างไรเพื่อทำให้แอปพลิเคชันมีประสิทธิภาพ เชื่อถือได้ ฉลาด และมีคุณค่าต่อผู้ใช้งานมากขึ้น
แบบทดสอบก่อนเรียน
💰 การเงิน
ภาคการเงินมีโอกาสมากมายสำหรับการเรียนรู้ของเครื่อง ปัญหาหลายอย่างในด้านนี้สามารถสร้างแบบจำลองและแก้ไขได้โดยใช้ ML
การตรวจจับการฉ้อโกงบัตรเครดิต
เราได้เรียนรู้เกี่ยวกับ k-means clustering ในหลักสูตรก่อนหน้านี้ แต่จะนำไปใช้แก้ปัญหาการฉ้อโกงบัตรเครดิตได้อย่างไร?
k-means clustering มีประโยชน์ในเทคนิคการตรวจจับการฉ้อโกงบัตรเครดิตที่เรียกว่า การตรวจจับค่าผิดปกติ ค่าผิดปกติ หรือการเบี่ยงเบนในข้อมูล สามารถบอกเราได้ว่าบัตรเครดิตถูกใช้งานในลักษณะปกติหรือมีสิ่งผิดปกติเกิดขึ้น ตามที่แสดงในเอกสารที่ลิงก์ด้านล่าง คุณสามารถจัดเรียงข้อมูลบัตรเครดิตโดยใช้ k-means clustering และจัดกลุ่มแต่ละธุรกรรมตามระดับความผิดปกติ จากนั้นคุณสามารถประเมินกลุ่มที่มีความเสี่ยงสูงที่สุดเพื่อแยกแยะธุรกรรมที่เป็นการฉ้อโกงหรือถูกต้อง อ้างอิง
การบริหารความมั่งคั่ง
ในด้านการบริหารความมั่งคั่ง บุคคลหรือบริษัทจะจัดการการลงทุนในนามของลูกค้า งานของพวกเขาคือการรักษาและเพิ่มความมั่งคั่งในระยะยาว ดังนั้นจึงจำเป็นต้องเลือกการลงทุนที่มีผลการดำเนินงานดี
วิธีหนึ่งในการประเมินผลการดำเนินงานของการลงทุนคือการใช้การถดถอยทางสถิติ การถดถอยเชิงเส้น เป็นเครื่องมือที่มีคุณค่าสำหรับการทำความเข้าใจว่ากองทุนมีผลการดำเนินงานอย่างไรเมื่อเทียบกับเกณฑ์มาตรฐาน นอกจากนี้เรายังสามารถสรุปได้ว่าผลลัพธ์ของการถดถอยมีนัยสำคัญทางสถิติหรือไม่ หรือมีผลกระทบต่อการลงทุนของลูกค้าอย่างไร คุณยังสามารถขยายการวิเคราะห์เพิ่มเติมโดยใช้การถดถอยพหุ ซึ่งสามารถนำปัจจัยเสี่ยงเพิ่มเติมมาพิจารณาได้ สำหรับตัวอย่างวิธีการทำงานนี้กับกองทุนเฉพาะ ลองดูเอกสารด้านล่างเกี่ยวกับการประเมินผลการดำเนินงานของกองทุนโดยใช้การถดถอย อ้างอิง
🎓 การศึกษา
ภาคการศึกษาก็เป็นอีกพื้นที่ที่น่าสนใจที่ ML สามารถนำไปใช้ได้ มีปัญหาที่น่าสนใจที่ต้องแก้ไข เช่น การตรวจจับการโกงในการสอบหรือเรียงความ หรือการจัดการอคติที่ตั้งใจหรือไม่ตั้งใจในกระบวนการตรวจแก้
การทำนายพฤติกรรมของนักเรียน
Coursera ผู้ให้บริการหลักสูตรออนไลน์แบบเปิด มีบล็อกเทคโนโลยีที่ยอดเยี่ยมซึ่งพวกเขาได้พูดถึงการตัดสินใจทางวิศวกรรมหลายอย่าง ในกรณีศึกษานี้ พวกเขาได้วางเส้นการถดถอยเพื่อสำรวจความสัมพันธ์ระหว่างคะแนน NPS (Net Promoter Score) ต่ำกับการคงอยู่หรือการถอนตัวจากหลักสูตร อ้างอิง
การลดอคติ
Grammarly ผู้ช่วยเขียนที่ตรวจสอบข้อผิดพลาดในการสะกดและไวยากรณ์ ใช้ระบบ การประมวลผลภาษาธรรมชาติ ที่ซับซ้อนในผลิตภัณฑ์ของพวกเขา พวกเขาได้เผยแพร่กรณีศึกษาที่น่าสนใจในบล็อกเทคโนโลยีเกี่ยวกับวิธีการจัดการกับอคติทางเพศใน ML ซึ่งคุณได้เรียนรู้ใน บทเรียนความยุติธรรมเบื้องต้น อ้างอิง
👜 การค้าปลีก
ภาคการค้าปลีกสามารถได้รับประโยชน์จากการใช้ ML อย่างแน่นอน ตั้งแต่การสร้างประสบการณ์ลูกค้าที่ดีขึ้นไปจนถึงการจัดการสินค้าคงคลังอย่างเหมาะสม
การปรับแต่งประสบการณ์ลูกค้า
ที่ Wayfair บริษัทที่ขายสินค้าภายในบ้าน เช่น เฟอร์นิเจอร์ การช่วยลูกค้าค้นหาสินค้าที่เหมาะกับรสนิยมและความต้องการเป็นสิ่งสำคัญ ในบทความนี้ วิศวกรจากบริษัทได้อธิบายว่าพวกเขาใช้ ML และ NLP เพื่อ "แสดงผลลัพธ์ที่เหมาะสมสำหรับลูกค้า" โดยเฉพาะอย่างยิ่ง Query Intent Engine ของพวกเขาได้รับการออกแบบมาเพื่อใช้การดึงข้อมูลเอนทิตี การฝึกอบรมตัวจำแนก การดึงข้อมูลสินทรัพย์และความคิดเห็น และการติดแท็กความรู้สึกในรีวิวของลูกค้า นี่เป็นกรณีการใช้งานคลาสสิกของ NLP ในการค้าปลีกออนไลน์ อ้างอิง
การจัดการสินค้าคงคลัง
บริษัทที่มีนวัตกรรมและคล่องตัว เช่น StitchFix บริการกล่องที่จัดส่งเสื้อผ้าให้ผู้บริโภค พึ่งพา ML อย่างมากสำหรับการแนะนำสินค้าและการจัดการสินค้าคงคลัง ทีมสไตลิสต์ของพวกเขาทำงานร่วมกับทีมจัดซื้อสินค้า โดยที่ "นักวิทยาศาสตร์ข้อมูลคนหนึ่งของเราได้ทดลองใช้อัลกอริทึมทางพันธุกรรมและนำไปใช้กับเสื้อผ้าเพื่อทำนายว่าเสื้อผ้าชิ้นใดจะประสบความสำเร็จแม้จะยังไม่มีอยู่ในปัจจุบัน เราได้นำสิ่งนั้นไปให้ทีมจัดซื้อสินค้า และตอนนี้พวกเขาสามารถใช้สิ่งนั้นเป็นเครื่องมือได้" อ้างอิง
🏥 การดูแลสุขภาพ
ภาคการดูแลสุขภาพสามารถใช้ ML เพื่อเพิ่มประสิทธิภาพงานวิจัยและแก้ปัญหาด้านโลจิสติกส์ เช่น การรับผู้ป่วยกลับเข้ารักษาในโรงพยาบาลหรือการหยุดการแพร่กระจายของโรค
การจัดการการทดลองทางคลินิก
ความเป็นพิษในการทดลองทางคลินิกเป็นปัญหาใหญ่สำหรับผู้ผลิตยา ความเป็นพิษที่ยอมรับได้มีมากน้อยแค่ไหน? ในการศึกษานี้ การวิเคราะห์วิธีการทดลองทางคลินิกต่างๆ นำไปสู่การพัฒนาแนวทางใหม่ในการทำนายผลลัพธ์ของการทดลองทางคลินิก โดยเฉพาะอย่างยิ่ง พวกเขาสามารถใช้ random forest เพื่อสร้าง ตัวจำแนก ที่สามารถแยกแยะระหว่างกลุ่มยาต่างๆ ได้ อ้างอิง
การจัดการการรับผู้ป่วยกลับเข้ารักษาในโรงพยาบาล
การดูแลในโรงพยาบาลมีค่าใช้จ่ายสูง โดยเฉพาะเมื่อผู้ป่วยต้องกลับเข้ารักษาในโรงพยาบาลอีกครั้ง เอกสารนี้พูดถึงบริษัทที่ใช้ ML เพื่อทำนายความเป็นไปได้ในการรับผู้ป่วยกลับเข้ารักษาโดยใช้ การจัดกลุ่ม อัลกอริทึมเหล่านี้ช่วยให้นักวิเคราะห์ "ค้นพบกลุ่มการรับผู้ป่วยกลับเข้ารักษาที่อาจมีสาเหตุร่วมกัน" อ้างอิง
การจัดการโรค
การระบาดใหญ่เมื่อเร็วๆ นี้ได้แสดงให้เห็นถึงวิธีที่ ML สามารถช่วยหยุดการแพร่กระจายของโรค ในบทความนี้ คุณจะเห็นการใช้ ARIMA เส้นโค้งลอจิสติก การถดถอยเชิงเส้น และ SARIMA "งานนี้เป็นความพยายามในการคำนวณอัตราการแพร่กระจายของไวรัสนี้ และทำนายจำนวนผู้เสียชีวิต ผู้ที่หายป่วย และผู้ติดเชื้อ เพื่อช่วยให้เราวางแผนและเตรียมตัวได้ดีขึ้น" อ้างอิง
🌲 นิเวศวิทยาและเทคโนโลยีสีเขียว
ธรรมชาติและนิเวศวิทยาประกอบด้วยระบบที่ละเอียดอ่อนมากมาย ซึ่งการปฏิสัมพันธ์ระหว่างสัตว์และธรรมชาติมีความสำคัญ การวัดระบบเหล่านี้อย่างแม่นยำและการดำเนินการอย่างเหมาะสมเมื่อเกิดเหตุการณ์ เช่น ไฟป่า หรือการลดลงของประชากรสัตว์ เป็นสิ่งสำคัญ
การจัดการป่าไม้
คุณได้เรียนรู้เกี่ยวกับ Reinforcement Learning ในบทเรียนก่อนหน้านี้ ซึ่งสามารถนำไปใช้ได้ดีเมื่อพยายามทำนายรูปแบบในธรรมชาติ โดยเฉพาะอย่างยิ่ง สามารถใช้ติดตามปัญหานิเวศวิทยา เช่น ไฟป่าและการแพร่กระจายของสายพันธุ์รุกราน ในแคนาดา กลุ่มนักวิจัยใช้ Reinforcement Learning เพื่อสร้างแบบจำลองพลวัตของไฟป่าจากภาพถ่ายดาวเทียม โดยใช้กระบวนการ "spatially spreading process (SSP)" ที่สร้างสรรค์ พวกเขาได้จินตนาการถึงไฟป่าเป็น "ตัวแทนที่ตำแหน่งใดๆ ในภูมิประเทศ" "ชุดของการกระทำที่ไฟสามารถทำได้จากตำแหน่งใดๆ ในเวลาใดๆ รวมถึงการแพร่กระจายไปทางเหนือ ใต้ ตะวันออก หรือตะวันตก หรือไม่แพร่กระจาย"
วิธีการนี้กลับด้านการตั้งค่า RL ปกติ เนื่องจากพลวัตของกระบวนการตัดสินใจของมาร์คอฟ (MDP) ที่เกี่ยวข้องเป็นฟังก์ชันที่ทราบสำหรับการแพร่กระจายของไฟป่าในทันที อ่านเพิ่มเติมเกี่ยวกับอัลกอริทึมคลาสสิกที่ใช้โดยกลุ่มนี้ได้ที่ลิงก์ด้านล่าง อ้างอิง
การตรวจจับการเคลื่อนไหวของสัตว์
แม้ว่าการเรียนรู้เชิงลึกจะสร้างการปฏิวัติในการติดตามการเคลื่อนไหวของสัตว์ด้วยภาพ (คุณสามารถสร้าง ตัวติดตามหมีขั้วโลก ของคุณเองได้ที่นี่) ML แบบคลาสสิกยังคงมีบทบาทในงานนี้
เซ็นเซอร์ที่ใช้ติดตามการเคลื่อนไหวของสัตว์ในฟาร์มและ IoT ใช้การประมวลผลภาพประเภทนี้ แต่เทคนิค ML พื้นฐานมีประโยชน์ในการเตรียมข้อมูลเบื้องต้น ตัวอย่างเช่น ในเอกสารนี้ ท่าทางของแกะถูกตรวจสอบและวิเคราะห์โดยใช้อัลกอริทึมตัวจำแนกต่างๆ คุณอาจจำเส้นโค้ง ROC ในหน้า 335 ได้ อ้างอิง
⚡️ การจัดการพลังงาน
ในบทเรียนของเราเกี่ยวกับ การพยากรณ์อนุกรมเวลา เราได้กล่าวถึงแนวคิดของมิเตอร์จอดรถอัจฉริยะเพื่อสร้างรายได้ให้กับเมืองโดยอิงจากการทำความเข้าใจอุปสงค์และอุปทาน บทความนี้พูดถึงรายละเอียดเกี่ยวกับวิธีการรวมการจัดกลุ่ม การถดถอย และการพยากรณ์อนุกรมเวลาเพื่อช่วยทำนายการใช้พลังงานในอนาคตในไอร์แลนด์ โดยอิงจากการใช้มิเตอร์อัจฉริยะ อ้างอิง
💼 การประกันภัย
ภาคการประกันภัยเป็นอีกภาคส่วนหนึ่งที่ใช้ ML เพื่อสร้างและเพิ่มประสิทธิภาพโมเดลทางการเงินและคณิตศาสตร์ประกันภัยที่ใช้งานได้
การจัดการความผันผวน
MetLife ผู้ให้บริการประกันชีวิต เปิดเผยวิธีที่พวกเขาวิเคราะห์และลดความผันผวนในโมเดลทางการเงินของพวกเขา ในบทความนี้ คุณจะเห็นภาพการจำแนกแบบไบนารีและแบบลำดับ รวมถึงภาพการพยากรณ์ อ้างอิง
🎨 ศิลปะ วัฒนธรรม และวรรณกรรม
ในด้านศิลปะ เช่น วารสารศาสตร์ มีปัญหาที่น่าสนใจมากมาย การตรวจจับข่าวปลอมเป็นปัญหาใหญ่ เนื่องจากได้รับการพิสูจน์แล้วว่ามีอิทธิพลต่อความคิดเห็นของผู้คนและแม้กระทั่งทำลายประชาธิปไตย พิพิธภัณฑ์ยังสามารถได้รับประโยชน์จากการใช้ ML ตั้งแต่การค้นหาความเชื่อมโยงระหว่างสิ่งประดิษฐ์ไปจนถึงการวางแผนทรัพยากร
การตรวจจับข่าวปลอม
การตรวจจับข่าวปลอมกลายเป็นเกมแมวไล่จับหนูในสื่อปัจจุบัน ในบทความนี้ นักวิจัยแนะนำว่าระบบที่รวมเทคนิค ML หลายประเภทที่เราได้ศึกษาสามารถนำมาทดสอบและเลือกโมเดลที่ดีที่สุดเพื่อใช้งาน: "ระบบนี้ใช้การประมวลผลภาษาธรรมชาติเพื่อดึงคุณลักษณะจากข้อมูล และคุณลักษณะเหล่านี้จะถูกใช้ในการฝึกอบรมตัวจำแนก ML เช่น Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD), และ Logistic Regression (LR)" อ้างอิง
บทความนี้แสดงให้เห็นว่าการรวมโดเมน ML ต่างๆ สามารถสร้างผลลัพธ์ที่น่าสนใจที่ช่วยหยุดการแพร่กระจายของข่าวปลอมและสร้างความเสียหายได้ ในกรณีนี้ แรงจูงใจคือการแพร่กระจายข่าวลือเกี่ยวกับการรักษา COVID ที่กระตุ้นความรุนแรงในสังคม
ML ในพิพิธภัณฑ์
พิพิธภัณฑ์อยู่ในจุดเริ่มต้นของการปฏิวัติ AI ซึ่งการจัดหมวดหมู่และการแปลงคอลเลกชันเป็นดิจิทัล รวมถึงการค้นหาค
แบบทดสอบหลังการบรรยาย
ทบทวนและศึกษาด้วยตนเอง
ทีมวิทยาศาสตร์ข้อมูลของ Wayfair มีวิดีโอที่น่าสนใจหลายรายการเกี่ยวกับวิธีที่พวกเขาใช้ ML ในบริษัทของพวกเขา คุ้มค่าที่จะ ลองดู!
งานที่ได้รับมอบหมาย
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้