A mesterséges intelligencia hatása a mindennapjainkra

2022.10.07

1. hét
1. lecke

Adattudomány
Ősz 2022

Credit

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

Credit

2. Mesterséges intelligencia rendszerek és gépi tanulás

Mi a mesterséges intelligencia?

AI & Gépi tanulás

AI & Gépi tanulás

AI & ML Magyarországon

Gépi vs. Mély tanulás

Adatworkshop 1

Bevezető a gépi tanulásba

2022.10.07

1. hét
2. lecke

Adattudomány 2
Ősz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

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.

Gépi tanulás

Előnyei

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.

 

Gépi tanulás

Előnyei

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.

Gépi tanulás

Előnyei

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.

Gépi tanulás

Előnyei

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.

Gépi tanulás

Felhasználása

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.

Gépi tanulás

Felhasználása

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.

Gépi tanulás

Felhasználása

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.

Gépi tanulás

Felhasználása

Banki szolgáltatások és pénzügyek

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

Gépi tanulás

Iparágak

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.

Gépi tanulás

Iparágak

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.

Gépi tanulás

Iparágak

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.

Gépi tanulás

Iparágak

Adatworkshop 2

Alapvető gépi tanulási technikák

2022.10.07

1. hét
3. lecke

Adattudomány 2
Ősz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

Tanulási technikák

Gépi tanulás

Felügyelt tanulás

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

Gépi tanulás

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.

Gépi tanulás

Tanulási technikák

Gépi tanulás

Tanulási technikák

Gépi tanulás

Tanulási technikák

Dr. Szabados Levente

Idősoros előrejelzés

Haladó gépi tanulási technikák

2022.03.26

2. hét
4. lecke

Adattudomány 2
Tavasz 2022

Adatworkshop 3

Gépi tanulási algoritmusok

2022.03.26

2. hét
5. lecke

Adattudomány 2
Tavasz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

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.

Gépi tanulás

A logisztikai regressziós algoritmusok egy folytonos S alakú görbét illesztenek az adatokra.

Gépi tanulás

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

Gépi tanulás

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.

Gépi tanulás

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.

Gépi tanulás

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.

Gépi tanulás

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.

Gépi tanulás

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.

Gépi tanulás

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.

Gépi tanulás

Sükösd Endre

Neurális hálók

Részrehajlás és torzítás a mesterséges intelligenciában

2022.04.08

3. hét
6. lecke

Adattudomány 2
Tavasz 2022

Adatworkshop 4

Gépi tanulás

2022.04.09

3. hét
7-8. lecke

Adattudomány 2
Tavasz 2022

2. Mesterséges intelligencia rendszerek és gépi tanulás

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.

Gépi tanulás

Lépések

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.

Gépi tanulás

Lépések

3. lépés: A modell ellenőrzése

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

Gépi tanulás

Lépések

4. lépés: Az eredmények értelmezése

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

Gépi tanulás

Lépések

Projektek

Adattudomány 2
Tavasz 2022

Egyéni projekt

  • Releváns / érdekes probléma
  • Adatgyűjtésben/formázásban tud(t)ok segíteni
    • Készítünk egy adatbankot közösen
    • Határidő adatválasztásra Április 9
    • sklearn (X/y) formátumba kell transzformálni
    • Egy oszlop egy tulajdonság/feature
    • Meg kell határozni az oszlopok típusait
    • Át kell alakítani a leíró oszlopokat (one-hot encoding)
  • Egy felügyelt vagy felügyeletlen tanulás elvégzése
  • Hangsúly a tervezésen van, és miért az a legmegfelelőbb forma
  • Ezért fontos a probléma definiálása
  • Kb. 1000. adatpont / 4 dimenzió komplexitás
  • Kaggle Datasets for Visualization

Bemutatók

Adattudomány 2
Tavasz 2022

Projektek bemutatása

3 perc / személy

peer-grading 👉 itt