[۱۹،۴۵۹،۰۰۱] یادگیری (ML) الگوریتم های ماشین اجازه می دهد تا کامپیوتر به تعریف و استفاده از قوانین که صراحتا توسط توسعهدهنده توصیف نشده [۱۹،۴۵۹،۰۰۲] [۱۹،۴۵۹،۰۰۱] وجود دارد کاملا بسیاری از مقالات اختصاص داده شده به الگوریتم های یادگیری ماشین. در اینجا تلاش برای ایجاد “نمای هلیکوپتر” تشریح اینکه چگونه این الگوریتم ها در حوزه های مختلف تجاری به کار گرفته است. این لیست یک لیست جامع البته که نه.

نکته اول این است که الگوریتم ML می تواند مردم را با کمک به آنها برای پیدا کردن الگوهای یا وابستگی، که توسط یک انسان قابل مشاهده نیست کمک کند.

عددی پیش بینی به نظر می رسد منطقه شناخته شده ترین در اینجا. برای مدت زمان طولانی کامپیوتر به طور فعال برای پیش بینی رفتار بازارهای مالی استفاده شده است. بسیاری از مدل های قبل از ۱۹۸۰s توسعه شد، زمانی که بازارهای مالی دسترسی به قدرت محاسباتی کافی است. بعد از این فن آوری به صنایع دیگر گسترش یافته است. از آنجا که قدرت محاسباتی در حال حاضر ارزان است، می توان آن را حتی شرکت های کوچک برای همه نوع از پیش بینی، مانند ترافیک (مردم، اتومبیل، کاربران)، پیش بینی فروش و بیشتر استفاده می شود. [۱۹،۴۵۹،۰۰۲] [۱۹،۴۵۹،۰۰۱] الگوریتم تشخیص ناهنجاری کمک به مردم اسکن تعداد زیادی از داده ها و شناسایی که موارد باید به عنوان ناهنجاری بررسی می شود. در امور مالی آنها می توانند معاملات جعلی را تشخیص دهد. در نظارت زیرساخت آنها را می توان به شناسایی مشکلاتی قبل از آنها بر کسب و کار. این است که در تولید کنترل کیفیت استفاده می شود.

ایده اصلی در اینجا این است که شما باید هر نوع ناهنجاری را توصیف کند. شما یک لیست بزرگ از موارد مختلف شناخته شده (یک مجموعه یادگیری) به سیستم و سیستم استفاده از آن برای ناهنجاری شناسایی است. [۱۹،۴۵۹،۰۰۲] [۱۹،۴۵۹،۰۰۱] الگوریتم های خوشه بندی شی اجازه می دهد تا به گروه مقدار بزرگی از داده با استفاده از طیف گسترده ای از معیارهای معنی دار است. یک مرد نمی تواند موثر با بیش از چند صد شی با بسیاری از پارامترهای به کار گیرند. دستگاه می تواند خوشه انجام کارآمد تر، به عنوان مثال، برای مشتریان / منجر صلاحیت، لیست محصول تقسیم بندی، مشتری مورد حمایت طبقه بندی و غیره

توصیه / تنظیمات / الگوریتم های پیش بینی رفتار به ما می دهد فرصت را به صورت کارآمد تر تعامل با مشتریان و یا کاربران با ارائه آنها دقیقا آنچه آنها نیاز دارند، حتی اگر آنها در مورد آن فکر نه قبل از. سیستم های توصیه کار می کند واقعا بد در بسیاری از خدمات در حال حاضر، اما این بخش خواهد شد به سرعت به زودی بهبود یافته است.

نکته دوم این است که الگوریتم های یادگیری ماشین می تواند مردم را جایگزین کنید. سیستم باعث می شود تجزیه و تحلیل اعمال مردم، ساخت قوانین بر روی پایگاه این اطلاعات (به عنوان مثال یادگیری از مردم) و اعمال این قوانین عمل به جای مردم است. [۱۹،۴۵۹،۰۰۲] [۱۹،۴۵۹،۰۰۱] اول از همه این در مورد تمام انواع از تصمیم گیری های استاندارد ساخت است. هستند بسیاری از فعالیت های که برای اقدامات استاندارد در شرایط استاندارد نیاز وجود دارد. مردم را به برخی از “تصمیم گیری استاندارد” و تشدید مواردی که استاندارد نیست. هیچ دلیل، به همین دلیل ماشین آلات می توانید انجام دهید وجود دارد: پردازش اسناد، تماس سرد، حسابداری، اولین بار پشتیبانی از خط مشتری و غیره

و دوباره، از ویژگی های اصلی این است که ML برای صریح تعریف قوانین نیاز ندارد . آن را “یاد می گیرد” از موارد، که در حال حاضر توسط مردم در طول کار خود حل و فصل، و آن را می سازد فرایند یادگیری ارزان تر است. چنین سیستم خواهد شد بسیاری از پول برای صاحبان کسب و کار نجات دهد، اما بسیاری از مردم خواهد کار خود را از دست بدهند.

یکی دیگر از منطقه پربار انواع خراش دادن داده برداشت / وب است. گوگل زیادی می داند. اما هنگامی که شما نیاز به گرفتن برخی از اطلاعات ساختار جمع را از وب، شما هنوز هم نیاز به جذب یک انسان برای انجام این کار (و یک شانس بزرگ است که نتیجه نمی خواهد واقعا خوب وجود دارد). تجمع اطلاعات، ساختار و اعتبار متقاطع، بر اساس تنظیمات و نیازهای خود را، خواهد شد به لطف ML خودکار می باشد. تجزیه و تحلیل کیفی اطلاعات هنوز هم توسط مردم ساخته شده است.

در نهایت، همه این روش می توان تقریبا در هر صنعت استفاده می شود. ما باید آن را به حساب آورد، که پیش بینی آینده برخی از بازارها و جامعه ما به طور کلی.

[ad_1]

مشخصات

مطالب پیشنهادی ما