Andrew Ng - Stanford University Machine learning course
Andrew Ng - deeplearning.ai

Microsoft Machine Learning

Google Digital Workshop

Datacamp: Machine Learning for Business course

Towards Data Science blog

Szegedi Egyetem gépi tanulás kurzus

Budapesti Műszaki Egyetem gépi tanulás kurzus

Mi a mesterséges intelligencia?

Mi a gépi tanulás?

A gépi tanulás előnyei

A gépi tanulásnak számos alkalmazási módja van, a lehetőségek tárháza pedig egyre szélesebb. Íme a technológia néhány legnagyobb előnye, amelyet már számos vállalkozás kihasznál.

Feltáró elemzés

A gépi tanulással azonosítható mind a strukturált, mind a strukturálatlan adatokban rejlő minta vagy szerkezet, így könnyebben látható, mit is mutatnak az adatok.

Az adatintegritás javítása

A gépi tanulás kiválóan használható az adatbányászatban, sőt akár annak lehetőségeit is képes kiterjeszteni.

A felhasználói élmény fejlesztése

Adaptív interfészek, célzott tartalom, csevegőrobotok, hangvezérelt virtuális asszisztensek – ezek mind példák arra, hogy a gépi tanulás hogyan segíthet optimalizálni az ügyfélélményt.

Kockázatcsökkentés

Mivel a csalási taktikák folyamatosan változnak, a gépi tanulásnak lépést kell tartani velük – képesnek kell lennie megfigyelni és azonosítani az új mintákat, hogy megelőzhesse a rosszindulatú próbálkozásokat.

Ügyfelek viselkedésének előrejelzése

A gépi tanulással ügyfélhez kapcsolódó adatok bányászhatók, amelyekkel könnyebben azonosíthatók minták és viselkedésmódok, ami optimalizált termékjavaslatokat és a lehető legjobb vásárlói élményt eredményezheti.

Alacsonyabb költségek

A gépi tanulás jelentős szintű folyamatautomatizálást tesz lehetővé, ami időt és erőforrásokat szabadít fel, Ön és csapata így a legfontosabb ügyekre összpontosíthat.

Értékek előrejelzése

A regressziós algoritmusok értékekből hoznak létre modellt, amely alapján előrejelzéseket készíthetnek. Ez hasznos a változók okainak és okozatainak azonosításában. A regressziós tanulmányok segítenek előrejelezni a jövőt, ami segíthet a termékekre vonatkozó igényének előrejelzésében, az értékesítési számadatok tervezésében, vagy a kampányeredmények megbecslésében.

Szokatlan előfordulások azonosítása

Az anomáliadetektálási algoritmusokat gyakran használják lehetséges kockázatok észlelésére, ugyanis képesek kiszűrni a várt normától eltérő adatokat. Berendezések meghibásodása, szerkezeti hibák, szöveges hibák, valamint csalások – néhány példa arra, hogy a gépi tanulás hogyan használható veszélyforrások esetén.

Struktúra keresése

A fürtözési algoritmusok gyakran a gépi tanulás első lépését képezik, és az adatkészlet mögöttes struktúráját fedik fel. A gyakori elemek kategorizálása – a fürtözés – gyakori eljárás a piaci szegmentálásban, és olyan elemzéseket nyújthat, amelyek elősegítik a megfelelő ár kiválasztását, valamint az ügyfelek preferenciáinak megjósolását.

Kategóriák előrejelzése

A besorolási algoritmusok segítenek meghatározni az információk megfelelő kategóriáját. A besorolás a fürtözéshez hasonlít, azonban eltér abban, hogy a felügyelt tanulásban alkalmazzák, ahol előre meghatározott címkék szerepelnek.

Banki szolgáltatások és pénzügyek

A kockázatkezelés és a csalások megelőzése olyan kulcsfontosságú területek, ahol a gépi tanulás hatalmas hozzáadott értéket jelent a pénzügyi környezetekben.

Egészségügy

Diagnosztikai eszközök, páciensfigyelés és járványok előrejelzése – néhány példa arra, hogy a gépi tanulás hogyan segíthet a páciensek kezelésének továbbfejlesztésében.

Szállítmányozás

Forgalmi anomáliák azonosítása, kézbesítési útvonal optimalizálása, önvezető autók – néhány példa arra, hogy a gépi tanulás hogyan javíthat a szállítmányozás minőségén.

Ügyfélszolgálat

Kérdések megválaszolása, az ügyfélszándék megbecslése, virtuális segítségnyújtás – néhány példa arra, hogy a gépi tanulás hogyan képes támogatni az ügyfélszolgálati ipart.

Kiskereskedelem

A gépi tanulással a kiskereskedők könnyebben elemezhetnek vásárlási mintákat, optimalizálhatják az ajánlatokat és a díjszabást, valamint használhatják az adatokat az ügyfélélmény javítására.

Mezőgazdaság

A munkaerőhiányt pótló robotok fejlesztése, növényi betegségek diagnosztizálása, vagy a talajminőség figyelése – néhány példa arra, hogy a gépi tanulás miként segíthet a mezőgazdaság fejlesztésében.

Tanulási technikák

Felügyelt tanulás

Címkékkel vagy struktúrával ellátott adatkészletek esetén az adatok „betanítják” a gépet, így az hatékonyabban végezhet előrejelzéseket és hozhat döntéseket.

Felügyelet nélküli tanulás

Adatok fürtökbe való csoportosításával könnyebben foglalkozhat címkék vagy struktúra nélküli adatokkal, valamint azonosíthat mintákat és kapcsolatokat.

Megerősítő tanulás

Az ügynök (valaki vagy valami nevében tevékenykedő számítógépprogram) az emberi operátort helyettesíti, és segít egy visszajelzési hurok alapján meghatározni az eredményt.

Algoritmusok

A lineáris regressziós algoritmusok megmutatják vagy előrejelzik két változó vagy tényező közötti kapcsolatot azzal, hogy egy folytonos egyenes vonalat illesztenek az adatokra. A vonal gyakran a Squared Error Cost függvény (négyzetes hibaköltség) használatával lesz kiszámítva.

A Naïve Bayes algoritmusok kiszámítják az esemény előfordulásának valószínűségét egy kapcsolódó esemény bekövetkezése alapján.

A támogatási vektorgépek egy hipersíkot rajzolnak a két legközelebbi adatpont között. Ez marginalizálja az osztályokat, és maximalizálja a közöttük lévő távolságot, hogy egyértelműbben meg lehessen különböztetni őket.

A döntési fa típusú algoritmusok az adatokat két vagy több homogén halmazba osztják szét. Ha–akkor típusú szabályokat használnak arra, hogy az adatokat elkülönítsék az adatpontok közötti legjelentősebb különbségek alapján.

A K-legközelebbi szomszédos algoritmusok az összes rendelkezésre álló adatpontot tárolják, és minden új adatpontot a hozzájuk legközelebb eső adatpontok alapján osztályoznak a távolsági függvénnyel történő mérés alapján.

A véletlenszerű erdő típusú algoritmusok döntési fákon alapulnak, de egy fa létrehozása helyett faerdőt hoznak létre, majd az erdőben lévő fákat véletlenszerűen rendezik el. Ezután összesítik a döntési fák különböző véletlenszerű formációinak szavazatait, és ez alapján határozzák meg a tesztobjektum végső osztályát.

A gradient boosting típusú algoritmusok olyan predikciós modellt hoznak létre, amely gyenge predikciós modelleket (általában döntési fákat) csomagol egybe egy olyan csomagolási folyamattal, amely javítja a modell általános teljesítményét.

A K-közepes típusú algoritmusok az adatokat fürtökbe csoportosítják úgy, hogy a K egyenlő a fürtök számával. Az egyes fürtökön belüli adatpontok homogének, és heterogének más fürtök adatpontjaihoz képest.

Problémamegoldás

1. lépés: Adatok összegyűjtése és előkészítése

Az adatforrások azonosítása után a rendszer lefordítja a rendelkezésre álló adatokat. A felhasználható adattípusok segítenek meghatározni, hogy mely gépi tanulási algoritmusokat használhatja. Az adatok áttekintésekor a rendszer azonosítja az anomáliákat, kialakít egy struktúrát, valamint megoldja az adatintegritással kapcsolatos problémákat.

2. lépés: A modell tanítása

Az előkészített adatok két csoportra oszlanak: egy betanítási készlet és egy tesztelési készlet. A betanítási készlet az adatok nagy része, amellyel a modelleket a lehető legpontosabban finomhangolhatja.

3. lépés: A modell ellenőrzése

Ha készen áll a végső adatmodell kiválasztására, a tesztelési készlettel kiértékelheti a teljesítményt és a pontosságot.

4. lépés: Az eredmények értelmezése

Tekintse át az eredményeket, és végezze el az elemzéseket, vonja le a következtetéseket, és tervezze meg a kimeneteket.