Algorytmy do wykorzystania w codziennej pracy

Uczenie maszynowe nie jest już magicznym trikiem

Sztuczna inteligencja, o której tak wiele słyszymy, w rzeczywistości wykorzystuje algorytmy. Powszechne jest określenie „uczenie maszynowe” (ML) i stwierdzenie, że komputery uczą się na podstawie otrzymanych danych. Tak naprawdę komputery niczego się nie uczą – to bezduszne maszyny, które jedynie wykonują polecenia. Komputery dostarczają nam wyników swojej pracy na dwa sposoby; podajemy komputerom przykład tego, czego mają szukać w danych ("uczenie się nadzorowane") lub mówimy im, aby uruchomiły algorytm, który ma z góry określone wyniki do dostarczenia („uczenie się bez nadzoru”).

Przeczytaj więcej o rodzajach algorytmów i ich zastosowaniu.

Zatem skończona liczba algorytmów może dać nam nieskończoną liczbę kombinacji ich zastosowania – zdumiewające, jak krótka jest lista funkcji i algorytmów, które tworzą dość złożone oprogramowanie realizujące różnorodne zadania. To jest jak język, którego używamy; liczba słów jest ograniczona, ale liczba dzieł literackich nigdy się nie skończy.

Czym są algorytmy?

Algorytm to skończona sekwencja jasno określonych działań niezbędnych do wykonania określonego rodzaju zadania. Przepis na zrobienie dania jest często przytaczany jako przykład algorytmu stosowanego w życiu codziennym.

ML wykorzystuje algorytmy pochodzące z lat 60tych, 50tych, a nawet starożytnej Grecji. Ich szerokie zastosowanie umożliwiły szybkie komputery. Prawdziwej rewolucji dokonały szybkie maszyny liczące, a nie same algorytmy.

Użycie algorytmów nie było zbyt trudne, ale jak dotąd wymagało pewnych umiejętności, takich jak umiejętność kodowania. Jednak to się zmieniło. Od jakiegoś czasu mamy dostęp do oprogramowania, w którym algorytmy mamy umieszczone pod prawym przyciskiem myszy. Co więcej, istnieje darmowe oprogramowanie takie jak Orange Data Mining – świetne środowisko, w którym możemy przetestować pewne hipotezy, poszukać informacji ukrytych w danych, uzyskać rekomendacje na podstawie których podejmiemy dalsze decyzje. Oto kilka przykładów kilku algorytmów „Machine Learning”, które możesz wykorzystać w swojej codziennej pracy.

Regresja liniowa

Regresja liniowa, a zwłaszcza model zbudowany na jej podstawie - Auto Regressive Integrated Moving Average (ARIMA). Jest to model analizy statystycznej, który wykorzystuje dane szeregów czasowych w celu lepszego zrozumienia zbioru danych lub przewidywania przyszłych trendów.

Do czego może być użyty:

• Prognoza cen akcji
• Prognozy łańcucha dostaw
• Planowanie zakupów i produkcji

FP Growth

FP Growth to algorytm asocjacji dla częstych wzorców, powiązań lub struktur przyczynowych w zbiorze danych. Na przykład dane dotyczące transakcji w sklepie spożywczym mogą wykazywać częstą prawidłowość polegającą na tym, że ludzie zwykle kupują mleko i piwo razem.

Do czego można go użyć:

• Analiza danych koszyka – aby przeanalizować powiązanie zakupionych artykułów w jednym koszyku lub pojedynczym zakupie.
• Cross marketing/sprzedaż
• Systemy rekomendacji – funkcje serwisu e-commerce lub CRM
• Zabiegi medyczne – każdy pacjent jest reprezentowany jako transakcja zawierająca zestaw chorób oraz choroby, które prawdopodobnie wystąpią jednocześnie lub sekwencyjnie i dlatego można je przewidzieć.

Klastrowanie hierarchiczne

Grupowanie hierarchiczne, znane również jako hierarchiczna analiza skupień, to algorytm grupujący podobne obiekty w grupy zwane klastrami. Algorytm opiera się na macierzy odległości pomiędzy obiektami. Odległości są obliczane według innego algorytmu, np. algorytmu Euklidesa [możliwych jest wiele innych]

Do czego można go użyć:

• Analiza recenzji — opinie często mają wspólne elementy treści
• Marketing i sprzedaż — personalizacja i targetowanie w marketingu pozwalają znacznie zwiększyć przychody
• Klasyfikacja ruchu sieciowego — grupowanie charakterystyk źródeł ruchu

Jeśli chcesz dowiedzieć się więcej o tym, co jeszcze możesz zrobić za pomocą algorytmów, odwiedź stronę Orange. Znajdziesz tam więcej przykładów i tutoriali.