New York Üniversitesi Chen Xi: Makine öğreniminden akıllı karar almaya ne kadar var?
24 Haziran öğleden sonra, Titanium Media ve Shanshu Technology'nin ev sahipliği yaptığı 2017 AI Master Forum, Pekin'de düzenlendi.Forum, algoritma optimizasyonu ve makine öğrenimi alanındaki en iyi beş profesörü ve akademisyeni akademik konuşmalara katılmaya ve vermeye davet etti. Forumda beş bilim insanı, mevcut durumu ve algoritmalar, veriler ve uygulamalarla ilgili gelecekteki gelişmeleri kendi araştırma alanlarıyla birlikte tartıştı. New York Üniversitesi İşletme Fakültesi'nde yardımcı doçent olan Chen Xi, foruma katıldı ve "Makine Öğreniminden Akıllı Karar Vermeye" başlıklı bir konuşma yaptı.
Leifeng.com, Dr. Chen Xi'nin şu anda New York Üniversitesi İşletme Fakültesi'nde yardımcı doçent ve Carnegie Mellon Üniversitesi Makine Öğrenimi Bölümü'nde doktora yaptığını öğrendi.Ayrıca makine öğrenimi lideri Profesör Michael I Jordan ile bir yıldan fazla bir süredir doktora sonrası araştırma yaptı. Aynı zamanda, Dr. Chen Xi, Google Fakülte Araştırma Ödülü'nü kazandı ve 2017'de Forbes Magazine tarafından Amerika Birleşik Devletleri'nde 30'dan En Etkili 30 Genç Bilim İnsanı unvanı ile ödüllendirildi. Dr. Chen Xi'nin ana araştırma alanları: makine öğrenimi, yüksek boyutlu istatistikler ve yöneylem araştırmasıdır.
Konuşmasında Dr. Chen Xi, makine öğreniminin verilerden başladığını ve daha çok tahmin problemleriyle veya bu verilerin modellerini daha iyi anlamakla ilgilendiğini söyledi. Örneğin, derin öğrenme, veri modellerini tanımada çok iyidir, ancak belirsiz faktörler altında akıllı karar verme ve mantıksal türetme için AI hala nispeten zayıftır. "Karar vermek çok önemlidir. Sadece tahmin yeterli değildir. İkisinin etkili bir şekilde birleştirilmesi gerekir."
Leifeng.com (resmi hesap: Leifeng.com) asıl amacı değiştirmeden silme ve düzenlemeler yaptı:
Chen Xi: Cumartesi öğleden sonra bu sahneye geldiğiniz için çok teşekkür ederim. Sizinle makine öğreniminden anladığımı paylaşacağım. Bu karar verme hakkında konuşacağım. Tahmin nihai hedefimiz değil. Makine öğreniminin sonunda yardımcı olacağını umuyoruz Şirketler akıllı kararlar verir.
Deneyimim de oldukça kapsamlı: Önce Carnegie Mellon Üniversitesi'nde yöneylem araştırması alanında yüksek lisans eğitimi aldım, ardından Carnegie Mellon Üniversitesi Bilgisayar Fakültesi'nde makine öğrenimi alanında doktora yaptım ve daha sonra Berkeley'de Bilgisayar ve İstatistik Bölümü'nde Michael I. Jordan ile çalıştım. Doktora sonrası. Araştırma ilgi alanlarım, makine öğrenimi (özellikle çevrimiçi veri öğrenme ve karar verme sorunları, çok kollu haydut), büyük ölçekli yüksek boyutlu veri istatistiksel çıkarımı ve ayrıca yöneylem araştırmasının yönetimi üzerine belirli miktarda çalışma dahil olmak üzere çok geniştir. Bu yönler alakasız gibi görünüyor, ancak aslında şu anda birbirine çok bağlı görünüyor. En temel bağlantı, tüm disiplinlerimizin veriye dayalı olması ve sonuçta hepsinin veri odaklı olması ve madencilik yapmamız gerekiyor. Veri çekirdeğinin değeri karar vermede kullanılır.
Ve bence bu üç alanın birleşimi bu verileri daha derin ve daha iyi anlayabilir ve etkili kararlar verebilir.
Bu resim herkese tanıdık gelebilir, artık birçok kişi üç farklı özelliği olan büyük veriyi tartışıyor.
Birincisi, hacim MB'den PB'ye giderek büyüyor ve hızı gittikçe artıyor. Eskiden bir zaman dilimiydi. Şimdi bu gerçek zaman, geleneksel istatistikler ve makine öğrenimi için büyük bir zorluk teşkil ediyor. Geleneksel veriler Bazı madencilik için toplanır ve sabit diske yerleştirilir, ancak şimdi bu veri sayfası gerçek zamanlı olarak gelir.Örneğin, Baidu'da bir arama yapıyorsanız veya çevrimiçi bir ürün satın alıyorsanız, veriler sunucuya girer, bu nedenle veriler sürekli olarak çevrimiçi olur Güncelleme, üçüncüsü verilerin çeşitlendirilmesidir.Önceden nispeten basitti ve metin veya veri tabanına yerleştirilebilir.Şimdi daha fazla sosyal veri, cep telefonu verisi ve video verisi içeriyor ve çok iyi bir yapı yok. Veri çeşitlendirme eğilimi giderek daha belirgin hale geliyor.
Herkes veri bilimi önerir. Bu resim NYU Yann Le Cun tarafından makine öğrenimi kursları vermek için kullanılan ilk eğitim yazılımıdır.
Yani, makine öğrenimi üretmek için sadece geleneksel istatistik ve hesaplamaların organik kombinasyonuna eşdeğersiniz, ancak bu makine öğrenimi yeterli değil, sadece bu algoritmayı icat ettiniz veya sadece bu derin öğrenme yapısına sahipsiniz. Bu veri bilimi değil, pratik problemlerle birleştirilmesi gerekiyor Bay Li Jian ve Bay Wang Zizhuo'nun da belirttiği gibi, makine öğrenimi ve fiyatlandırma konularının birleşimi, çevrimiçi seyahatle birlikte veri bilimi haline gelebilir. Burada, hangi yerlerin en yoğun trafik saatlerinde olduğu ve hangi yerlerin yoğun olarak bulunduğu gibi birçok profesyonel bilgiye ihtiyaç vardır.Bu uygulamaların değer üretmek için hesaplamaları, istatistikleri ve gerçek belirli konuları birleştirmesi gerekir.
Makine öğrenimi nedir, önce veriler, sonra öğrenme algoritması ve daha sonra verilerin üretimi hakkında belirli varsayımlara sahip olmak için modellememiz gerekiyor.Olasılık modeli ve varsayımlara dayalı bir algoritma kurarak, verilerin satışını ve seyahat süresini tahmin edebiliriz , Ama daha da önemlisi, bu modelin bu veriler için uygun olup olmadığı gibi geri bildirim gibi tahminlerle verileri gerçekten anlayabiliriz. Daha sonra makine öğrenimi genellikle iki kategoriye ayrılır: biri denetimli öğrenme ve denetimsiz öğrenme. Elbette, son zamanlarda yarı denetimli öğrenme, aktif öğrenme, pekiştirmeli öğrenme gibi birçok yeni öğrenme alanımız var.
Denetimli öğrenmenin ana fikri çok basittir. Birincisi, Y'den X'e kadar tahmin etmektir. X, Taobao veya Jingdong'daki tarihi alışveriş bilgileridir. Şu anda, satın alacağınızı veya bir reklam sayfası koyacağınızı tahmin etmek için size bir web sayfası vereceğiz. Yukarıda, bu reklam sayfasına tıklayacaksınız. Tıklansın ya da tıklanmasın, bu reklam sayfasında hangi olasılığa tıklayacağınızı görmek için birkaç farklı reklamım var. Sonra bu fonksiyon sınıfı hakkında bir varsayımımız var. Bunun H'ye ait olduğunu varsayıyoruz ve sonra bu öğrenme algoritması devreye giriyor. Bu eğitim örneklerine baktıktan sonra, bu g'yi öğrenme algoritması yoluyla alabiliriz, ancak bu genellikle gerçek bir tahmin fonksiyonu değildir. f, ancak öğrenilen g'yi f'ye yaklaştırmak için bir H bulmayı umuyoruz.Elbette iyi bir optimizasyon algoritmasına ihtiyacımız var çünkü H'deki tüm fonksiyonları tüketemezsiniz. Satın almış olsak da almasak da, tarihsel verilere dayanarak eğitim örneklerine ihtiyacımız var, öngörülen değer öğretmenin size söylediğine eşdeğerdir. Yani buna denetimli öğrenme deniyor.
Denetimsiz öğrenme, bugün mevcut olan insanları sınıflandırmak için daha da gereklidir, ancak mutlak bir standart yoktur.Yaşa dayalı sıra, cinsiyete dayalı sıra, mevcut insanların farklı sektörlerine göre kümelenmiştir. Farklı standartlara göre, farklı kümelere göre bu sefer denetimsiz öğrenme olarak adlandırılır, farklı ihtiyaçlarınıza göre mutlak bir standart, kümeleme veya fiyat yoktur.
Önümüzdeki 20 yıl içinde makine öğreniminin hızla gelişmesiyle birlikte, herkes bu kelimeleri az çok görecek.En popüler 10 algoritmanın, ardından saf bayes sınıflandırıcısının, ardından k-ortalamalı kümeleme algoritmasının, destek vektör makinesinin oylandığı kabul ediliyor. Sınıflandırıcı doğrusal regresyon, lojistik regresyon, sinir ağı ve rastgele ormandır. Aslında rastgele ormanlar çok güçlüdür. Örneğin, sınıflandırma açısından, rastgele ormanlar sinir ağlarından daha iyi yorumlanabilirliğe sahiptir ve sınıflandırma ağaçları, herkesin sınıflandırma sürecini net bir şekilde görmesini sağlayabilir.
En popüler makine öğrenimi algoritması derin öğrenmedir. O kadar güçlü ki önemli bir nedeni de yeni donanıma sahip olmamız, GPU bu işlem hızının hızlı olduğunu, her biri arasındaki iletişimin çok uygun olduğunu, örneğin bir makineden bir makineye, sabit diskten sabit disk iletişimine kadar. Çok yavaş, ancak farklı GPU'lar paralelleştirme için çok uygundur. Yalnızca bu GPU ile çok büyük ölçekli derin bir sinir ağı eğitilebilir ve bu da algoritmada yeniliğe yol açar. Ek olarak, IBM yakın zamanda nöromorfik çipler önerdi ve bu von Neumann sistemini kırmak isteyebilir.
Bulut etkin olarak adlandırılan bu makine öğreniminde hala büyük bir gelişme var. Onu buluta koyun ve büyük kuruluşlar için bazı arayüzler sağlayın. Shanshu Technology de bu yönü alıyor ve envanter fiyatlandırmasına eşdeğer birçok şeyi bir arayüze dönüştürüyor. Bu arayüz sadece büyük şirketlere değil, aynı zamanda tüm Çinli şirketlere hizmet verecek. Küçük şirketler, fiyatlandırılması gereken bir ürününüz olduğunda, verilerinizi de bu kuruluşa verebilirsiniz. Yeni veriler geldiğinde, bu ürünün size ne kadar para vermesi gerektiğini size söylemek kolaydır ve giderek daha kapsamlı bir genel hizmet haline gelecektir.
Elbette, son zamanlarda imagenet gibi birçok başarılı makine öğrenimi vakası oldu.
Bu, daha önce olan IBM Watson. O zamanlar, tehlike oynamak entelektüel bir yarışmaydı. IBM'den Watson soruyu anlayabildi ve cevabı veritabanında hızlıca bulabildi. Burada bazı mantıksal akıl yürütmeler gerekli olabilir. Örneğin, bu veri "Pekin yakınlarındaki yoğun nüfuslu yer neresi" dir, çünkü bu coğrafi konum hakkında bilgi vardır. Bu, IBM deepQA Soru-Cevap bölümünün başkanı Makine öğreniminin bilgisayarları gerçekten daha akıllı hale getirdiğini, bilgisayarların bazı soruları yanıtlamasını sağladığını ve soruları yanıtlarken bu sorunun cevabının yanlış mı doğru mu olduğunu öğrendiğini söyledi.
Herkes buna çok aşinadır. Alphago, önce Güney Koreli Lee Sedol'u yendi ve sonra Go'da bilgisayar insanları geride bıraktı ama buna herkes şaşırmasın, donanımın sürekli gelişmesiyle Go'yu yenmenin kaçınılmaz olduğunu düşünüyorum. Go karmaşık görünüyor, ancak aslında kurallar nispeten basit. Rakibin taşlarının dinamiklerini her an görebilirsiniz, bu da iş problemlerinden çok daha basittir. İş kararları, bir satranç tahtasının siyah beyaz taşları gibi pek çok bilgiye sahip olabilir, arkasındaki sebebi bilemezsiniz. Aslında, StarCraft gibi bir oyun bu Go oyunundan daha karmaşık olabilir. Karşı tarafın bilgilerini tam olarak bilemeyeceğiniz için, bu AI için bir meydan okumadır. Yani hala çözmemiz gereken birçok sorun var. Birçok gizli bilgi için, mantıksal türetme için, AI hala çok zayıf.
Makine öğrenimi iş dünyasında yaygın olarak kullanılmaktadır.İşte Lukas Biewald tarafından özetlenen iş dünyasında makine öğreniminin bazı uygulamaları. Öncelikle, makine öğrenimi, kullanıcı tarafından oluşturulan verileri daha değerli hale getirebilir. Örneğin, bir sosyal ağ şirketi olan pinterest size daha ilginç olanı söyleyecektir. Çin'in de bugünün manşetleri var. Örneğin Yelp, Amerika Birleşik Devletleri'ndeki Dianping'e benzer. Örneğin, bir yemek yediğinizde veriler aracılığıyla yüklenir ve lezzetli olanı kullanıcının bilgilerini daha değerli kılar. Ayrıca makine öğrenimi, ürünleri daha hızlı bulmanızı sağlar. O zaman makine öğrenimi sizinle daha fazla etkileşim kurabilir. Eskiden bir operatörü arardım ve şimdi de bilet ayırtmak için bir havayolunu ararım. Uçuş gecikirse, rezervasyonu değiştiren kişiye otomatik olarak aktarılır. Aksi takdirde, daha önce birkaç operatörü değiştirmek zorunda kaldım. Değiştirilebilir. Ek olarak, makine öğrenimi, ürünü beğenip beğenmediğinizi, bir şeyleri akıllıca satın alıp almadığınızı tahmin etme gibi kullanıcı davranışını daha iyi anlayabilir.
Makine öğreniminin verilerden başladığını düşünüyorum ve daha çok tahmin sorunları veya veri modellerinin daha iyi anlaşılmasıyla ilgileniyor. Örneğin, derin öğrenme veri modellerini tanımada çok iyidir, ancak bu karar için, Yeterince yapmadık. Şu anda, makine öğrenimini operasyon araştırmasıyla birleştirmek gerekiyor, böylece veriler karar vermek için kullanılabilir, çünkü iş dünyasında yalnızca veri tahmini yeterli değildir.
İkinci bölüm, makine öğreniminden karar vermeye kadar
Aslında, karar vermeyi gerektiren birçok iş sorunumuz var.Yönetimde, envanter, bir fabrikanın nerede kurulacağı ve örneğin Didi'nin arabasının, ekspresinin ve paket servisinin hangi rotaya gitmesi gerektiği ve nasıl fiyatlandırılacağı hakkında kararlar almamız gerekiyor. Öneri sisteminde nasıl karar verilir, size ne tür ürünler tavsiye ederiz, finansta finansal ürün portföyünü nasıl oluştururuz?
Yöneylem Araştırması / Yönetimi bu nedenle bir gereklilik ortaya koymaktadır.Makine öğrenimi daha çok veri ve tahminle ilgilidir, operasyonlar ise karar almak için modelleri kullanır. Bu yüzden onları etkili bir şekilde birleştirmeliyiz. Size bir örnek vereyim: Fiyatınızı kullanıcıların satın alma olasılığı ile ilişkilendirmek için rastgele bir model yapmanız gerekiyor. Genel olarak, olasılık modelimiz, yüksek fiyatlı kullanıcıların satın alma olasılığının düşük olduğunu ve düşük fiyatlı kullanıcıların satın alma olasılığının daha yüksek olduğunu varsayar. Elbette bazen durum böyle değildir.Örneğin Apple cep telefonu.Başlangıçta herkes bunun bir statü sembolü olduğunu hissetti.Fiyat yüksek olsa bile talep hala büyük.Farklı ürünlerin fiyatı ve kullanıcı ihtiyaçlarını belirlemek için farklı modelleri var. Fiyat ve talep bilindiğinde, nasıl daha iyi fiyat alabileceğime karar verebilirim.
Bu, geçen yıl Informs konferansındaki Key note talk'ın slaytlarından oluşan bir sayfadır. Gartner analitiğinin bir grafiğini kullanır. Veri tanımı, tanı, keşif, tahminden nihai karar vermeye kadar, aslında iyi tahminlerin bir rol oynaması gerekmez. En iyi rol, karar verme inişin anahtarıdır.
İki örnek vereyim, bu 2016'daki bilgilendirmeler genel konuşmasından. Örneğin, gelecek yıl makine öğreniminde gelecekteki hisse senetlerini tahmin etmek istiyorum, ancak yöneylem araştırmasında, sonunda bu hisse senedini satın almak isteyip istemediğime karar vermek için bilgiyi kullanmam gerekiyor. Ne zaman satın alınacağı ve ne zaman satılacağı bir karar verme meselesidir. İnişler ve çıkışlar tahmini olması olasılığı% 80, bu yüzden ne kadar satın almak istediğim çok karmaşık bir karar verme problemi.
Bu bir site seçimi sorusudur.Örneğin, rüzgar yönü, atmosferik veriler ve pus verileri hakkında verileriniz varsa, örneğin, gökyüzündeki pusun nasıl göründüğünü tahmin etmeniz gerekir. Ama daha iyi bir karar verme problemi olabilir, yani enerjiden daha iyi yararlanabilmek için nereye bir rüzgar santrali kurmak istiyorum yani büro testi problemi bu iki küçük örnekle herkese açıklanabilir. Bu çok önemli ve öngörü yeterli değil.
2014 anketinde KPMG, CIO'ların ve CFO'ların% 95'inin veri ile karar verme arasındaki köprünün kurulmadığına inandığını söyledi. Öğrenmeyi ve karar vermeyi organik olarak nasıl birleştireceğinizi anlayabilmeniz için size bir model aracılığıyla ilginç bir örnek vermeyi umuyorum.
Bu algoritmanın kökeni çok basittir. Kumar oynamaktan kaynaklanır. Tabii ki kumar Çin'de yasadışıdır. Matematiksel bir modelden bahsedeyim.Birçok slot makinesi var ama her slot makinesi farklı. Bir slot makinesini her çektiğinizde belirli bir ödül alacaksınız. Bu para rastgele ve yukarı ve aşağı bir menzile sahip. Kumar oynamak isteyen bir kişi olarak, Bu kadar çok slot makinesinde hangisini çekmek istiyorum? Bu şekilde testten en iyi slot makinesini elde ediyorum ve en çok parayı alabiliyorum.
Bunda önemli konular var. Başlangıçta size verilen slot makinesi tanıdık gelmiyor, bu yüzden keşfetmeniz, daha fazla bilgi almak için her bir slot makinesini denemeniz ve diğeri de geliştirme. Bu slot makinesinin iyi çalıştığını anladığımda, bunu çekmem gerekiyor Slot makineleri oyunu daha karlı hale getirir, bu nedenle gerçek hayattaki sorunlar daha karmaşıktır ve her slot makinesi statik değildir. Size verilen para zamanla değişir, bu nedenle bu keşif ve geliştirmeye dönüştürmeye devam edeceğiz.
Yani araştırma, bize rastgele bazı eylemler yaptırmaktır, böylece her bir slot makinesinin iyi olup olmadığını biliriz, o zaman geliştirme, bu şeyin iyi olduğunu bildiğimde, onu kullanmaya devam edeceğim, ikisi vazgeçilmezdir, çünkü Yeterli potansiyel araştırmanız yok, bir slot makinesi seçin ve onu geliştirmeye devam edin.Kötü bir slot makinesi seçerseniz, karınız çok düşük olacaktır.
Bu nedenle, kısa vadeli faydalardan ödün verebilecek uzun vadeli bir hedefe sahip olmalısınız Rastgele testiniz kısa vadeli faydalardan fedakarlık edecek, ancak bunun karşılığında uzun vadeli faydalar sağlayacaktır.
Örneğin, iki slot makinesi var ve birkaç kez oynadım.İlk kez 5 yuan çektim, ikinci kez 0 yuan çektim ve sonra bu sıraya göre bu slot makinesine gitmeliyim 2, ama aslında böyle değil , Çünkü her çekişinizde size 5 yuan verir, ancak ikinci slot makinesi aslında size dörtte biri 100 yuan verebilir ve geri kalanı size 0 yuan verir.Eğer çekerseniz, dikkat edersiniz Bu 100 yuan'da, ilk slot makinesini çekmek için yeterli olmadığından, ikinci slot makinesinin en iyisi olduğunu düşünüyorum.Bu ciddi bir yetersiz keşif örneği, yani slot makinesi örneği çok tipik. Bazen bu kullanıcı, esas olarak geliştirme için odaklanmak istediğim kullanıcı değildir, ancak yeterince araştırma yapamıyorum, o zaman önemli bilgiler bu şekilde kaybolabilir, aslında daha fazla tespit daha değerli olabilir.
Bu, Yelaoshr ve Wang Zizhuo'nun tek bir ürünün fiyatlandırması üzerine yazdığı önemli bir makale.Bir yandan çalışacağız, sonra diğer tarafta yapacağız.Buradaki tüccarlar için gelirlerini elde etmek için en iyi fiyatlandırma sistemini sağlamamız gerekiyor, bu yüzden fiyatı anlamanız gerekiyor. Satın alma olasılığı ile kullanıcının satın alma olasılığı arasındaki ilişki. Keşif, daha fazla fiyat denememiz ve fiyatın kullanıcılara tepkisini bilmek istememizdir. Geliştirme, kullanıcıların farklı fiyatları seçtiğini bildiğimizde, bu kullanıcıyı aşağı yukarı geliştirmemiz gerektiğidir. çaba.
Kitle kaynaklı kitle kaynak kullanımı son zamanlarda çok popüler ve çok az bir paraya çok sayıda etiketli veri alabilir. Bu alanda çok çalışma yaptım Makine öğrenimi için en iyi dergilerde yayınlanan iki makaleyi listeledim. Microsoft stajyer akıl hocam Dengyong Zhou ile yapıldı. İlk makale aynı zamanda doktora sonrası danışmanım Michael I. Jordan ile bir işbirliği. Basit bir örnek vermek gerekirse, bu resimleri herkese atayın ve sonra bilgisayarın önünde oturan herkes size bunun olumlu mu yoksa olumsuz mu olduğunu söyleyecektir.Farklı insanlar resimlere farklı tepki verir. Pozitif 1, sonra negatif 1 ve sonra çoğunluk oylamasını alın.Çünkü yeni gelen biri için yeteneğini ölçmek için ona bir resim vermeniz gerekir.
Her bireyin bilgi yeteneğini bilmek istediğimizde, resmi en uygun çalışana vermeliyiz, bir resim zor olduğunda, kaç kişiye tahsis edileceğine karar vermeliyiz.
En iyi makine öğrenimi konferanslarında yayınlanan iki makale var. İlk makale de ben, Bay Li Jian ve Bay Zhou Yuan tarafından araştırıldı, yani hangisinin en iyi slot makinesi olduğunu bilmek istiyoruz veya Hangileri veya hangi işçilerin bu resimleri en az sayıda fotoğrafla işlemede iyi olduğunu bilmek istiyoruz. Bu bir çeşit soru. Bir başka örnek de, iki reklamınız olduğunu varsayalım, hangisinin iyi tasarlanmış ve hangisinin kullanıcılar için en çekici olduğunu biliyorsunuz. Nasıl yapılır? Bu kullanıcıları rastgele test edin, en az testle hangi reklam tasarımının en iyi olduğunu öğrenin, K-kollarını bulun, her bir kol bir reklama karşılık geliyor ve sonra sormaya devam eden ve iyi olanları tutan bir algoritmamız var.
Bunun tıp, sistemler, reklamcılık, müzayedeler ve finansal teknoloji gibi birçok uygulaması olabilir.
Daha sonra bu fikirleri Amerika'da çok ilginç olan Shanshu Technology ile birlikte Vipshop projesinde kullandık.
Bu, MIT Profesörü David ve öğrencileriyle yapılan işbirliğinin bir örneğidir.Aynı zamanda çok saygı duyduğum bir MIT ustasıdır.Son yıllarda operasyon yönetimi ve makine öğreniminin kesişiminde çok önemli katkılarda bulunmuştur. Bana Stitch Fix adlı bir şirketten bahsetti. Her ay, hatta iki haftada bir, düzenli olarak 5 giysili bir bayana bir kutu gönderiyor. Birini saklayıp geri kalanını iade etmek için seçin. Tek parça için ücret ödersiniz, 5 adet elbiseyi iade etmeyi sevmediğinizi söylerseniz sembolik bir posta ücreti ödersiniz. Peki bu kıyafetleri nasıl gönderebilirim? Bir maç yapacağız. Örneğin, kullanıcının yaşı, ister erkek ister bayan, ister işyeri ister öğrenci olsun, daha önce önerdiğimiz kıyafetler, hangi kıyafetleri satın aldığını gözlemlemek için birçok bilgi sağlar.
Örneğin, yeni kayıt olan üyeler için, kendisine hangi ürünleri önereceğimize karar vermek için bu bilgilere sahibiz.
Bu aslında, daha önceki sözde basit kullanıcı kümelemesine kıyasla çok büyük bir avantajdır, çünkü önceki kümeleme, kullanıcının erkek mi kadın mı olduğuna bağlıdır. Yeni kullanıcılar için belirli bir kategori için uygun olmayabilir veya kullanıcının bilgisi çok karmaşıktır, bu nedenle makine öğrenimi perspektifi yüksek boyutlu ortam değişkenlerini ortaya çıkarır ve sonsuz sayıda kullanıcıya eşdeğer olan sürekli kullanıcı değişiklikleri gözlemlenebilir. Tür.
Ardından, kullanıcılar aracılığıyla hangi ürünleri ve kararları alacağımızı öneriyoruz ve son olarak faydalarını en üst düzeye çıkarmalıyız.
Bir kullanıcının bilgilerini oluşturmaya, ona önerilerde bulunmaya ve karar verme sürecini gözlemlemeye eşdeğeriz. Bu statik bir seçim sürecidir. Yaparken öğrenme dediğimiz en önemli şey.
Son olarak kısa bir özet yapacağım.
Her şeyden önce, işin karar vermeye odaklandığını söylemek istiyorum. Bu nedenle, geleneksel makine öğrenimi kesinlikle yeterli değildir.Veriden karar vermeye kadar Shanshu Teknolojisinin de ana konsepti olan karar vermeye dikkat etmeliyiz.
Gerçek iş sorunları son derece karmaşık ve karmaşıktır. Tek başına makine öğrenimi yeterli değildir. Yeni veriler oluşturmak için makine öğrenimini bilim ve istatistikle birleştirmeliyiz.
Son yıllarda makine öğreniminin gelişimi, görüntü işleme ve metin işlemeyi içerir.Bu veriler sayesinde, herkes daha iyi performans elde edebilir ve bu da makine öğrenimi algoritmalarını büyük ölçüde destekler. Hâlâ çok az sayıda ticari büyük ölçekli halka açık veri kümesi var.Gelecekte veri kümelerini paylaşan şirketler gibi daha fazla veri kümesi olacak ve bu alana daha fazla araştırmacı girecek, böylece daha fazla bilgi edinebilir ve ticarileştirmeyi büyük ölçüde teşvik edebiliriz Makine öğrenimi veya karar verme teknolojisinin gelişimi sayesinde
