Машинное обучение для продакт-менеджеров — [1/6]
Мы запустили онлайн-курс для обучения менеджеров по продуктам/бизнес-менеджеров машинному обучению.
Подписывайтесь на наш Youtube-канал — Техноменеджеры
Чему вы научитесь на этом курсе?
В этом курсе мы расскажем вам, как превратить бизнес-потребность в проблему машинного обучения, а затем сделать из этого прототип. Если это работает хорошо, то как его развернуть и запустить в производство.
Этот курс разделен на 6 модулей.
- В первом модуле мы увидим, увидим введение в машинное обучение
- Во втором модуле мы увидим, когда говорить «да» или «нет» машинному обучению. В настоящее время машинное обучение очень распространено, поэтому для менеджера очень важно знать, когда сказать «да», а когда сказать «нет».
- В третьем модуле мы увидим, как использовать оружие машинного обучения.
- В четвертом модуле мы увидим, как подготовить обучающие данные для машинного обучения, это первый шаг в разработке любой модели машинного обучения.
- Оттуда мы перейдем к нашему пятому модулю, где мы узнаем, как построить модель машинного обучения.
- Наконец, в нашем последнем модуле мы увидим, как развернуть модель.
Модуль 1 — Машинное обучение для менеджеров
Что такое машинное обучение?
Думаю, каждый из вас слышал термины «искусственный интеллект» и «машинное обучение», но чем они отличаются от традиционного программирования.
В традиционном программировании у вас есть ввод и набор инструкций, и с их помощью вы получаете вывод. Например, если вам нужно выполнить этот расчет, вы можете использовать для этого традиционное программирование. В машинном обучении у вас есть ввод и вывод, но вам нужно придумать набор инструкций. В принципе, так работает машинное обучение, это не совсем так, но в принципе мы можем сказать так.
Итак, что такое машинное обучение? Машинное обучение — это, по сути, машинное обучение, которое работает с вводом и выводом и вырабатывает шаблоны в процессе проб и ошибок и обучения.
6 типов проблем с машинным обучением
Как менеджер вы пытаетесь максимизировать ценность, которую вы можете принести компании, поэтому, прежде чем приступать к машинному обучению, вам нужно понять тип проблемы, с которой вы столкнулись. собираются решить.
В целом вашу проблему с машинным обучением можно разделить на эти 6 категорий.
- Регрессия, в которой вы пытаетесь предсказать числовое выходное значение на основе прошлых исторических данных. Например, у вас есть данные о домах, их цене и атрибутах, таких как местоположение, площадь ковра, удобства и т. д. Теперь, если вы хотите узнать цену нового дома с различными атрибутами, вы можете использовать регрессию, чтобы предсказать это.
- Второй тип проблем — это кластеризация, когда вы объединяете похожие вещи. Если вы совершали покупки на Flipkart, их функция «Клиент также купил X» является классическим примером кластеризации.
- Третий тип проблемы — это проблема рекомендации, которая просто рекомендует что-то, основываясь на вашем прошлом поведении. Например, Netflix рекомендует что-то на основе вашей прошлой истории просмотров.
- Четвертый тип проблем — это проблема ранжирования. Google использует это, чтобы размещать контент наверху, который вы ищете. Это хорошая проблема с машинным обучением, потому что вы не можете просто использовать логику для ранжирования этих огромных данных.
- Пятый тип проблем — это проблема классификации, Gmail использует ее, чтобы классифицировать почту как ветчину или спам.
- Шестой тип проблем — обнаружение аномалий, например, самые модные продукты в электронной коммерции или модные твиты — пример обнаружения аномалий.
3 способа решения проблем с машинным обучением
Теперь, когда мы определили основные проблемы, давайте рассмотрим различные способы их решения. В целом мы можем разделить на 3 способа решения любых задач машинного обучения.
- Обучение с учителем: в обучении с учителем у нас есть помеченные данные, а помеченные данные означают, что мы знаем, что является вводом, и соответствующий правильный вывод. Мы обучаем нашу модель и прогнозируем результат для нового ввода с теми же базовыми правилами, с которыми обучалась модель. Регрессия, классификация, ранжирование и рекомендации могут быть решены с помощью обучения с учителем.
- Теперь идет обучение без учителя. При обучении без учителя мы просто загружаем модель данными, а не помеченными. Затем модель обнаруживает некоторые закономерности и метки. Кластеризация и обнаружение аномалий могут быть решены с помощью неконтролируемого обучения.
- Обучение с подкреплением — это продвинутая форма машинного обучения. В обучении с подкреплением результат напрямую связан с некоторыми наградами и наказаниями. За хороший результат модель получает некоторые награды, а за неправильный или неправильный вывод дается наказание. Существует 3 основных состояния компонентов: текущее состояние модели и действия, возможные состояния, в которые может перейти модель, а затем какие результаты она может получить при переходе в эти состояния.
Реальные примеры машинного обучения
- Google Фото
- Распознавание лица в Фейсбуке
- Распознавание речи в текст
- Amazon «Рекомендуется для вас»
- Автономные автомобили Tesla
- Обнаружение мошенничества в финансовом моделировании
