Despre Machine learning

1. MACHINE
LEARNING
Costea Maria-Camelia
Grupa 903
Seria A

2. CE ESTE MACHINE
LEARNING?
Machine Learning (ML) este un subset al
inteligenței artificiale (IA), axat pe
construirea de sisteme care pot învăța –
sau își pot îmbunătăți performanțele – în
funcție de datele pe care le
procesează. Inteligența artificială este un
termen vast care se referă la sisteme sau
mașini care imită inteligența umană.
Termenii machine learning și IA sunt
adesea puși în discuție împreună și utilizați
uneori în mod interschimbabil, dar nu
înseamnă același lucru. O diferență
importantă este aceea că, deși toate
sistemele machine learning sunt IA, nu
toate IA sunt machine learning.
Astăzi, machine learning lucrează
peste tot în jurul nostru. Atunci când
interacționăm cu băncile, cumpărăm
online sau utilizăm mediile de
socializare, algoritmii de machine
learning intră în joc pentru a ne crea o
experiență eficientă, lină și sigură.
Machine Learning și tehnologia
aferentă se dezvoltă rapid, deși
suntem abia la începutul utilizării
capacităților sale.

3. TIPURI DE
MACHINE
LEARNING:
DOUĂ
ABORDĂRI
VIZAVI DE
ÎNVĂȚARE
Algoritmii sunt motoarele care propulsează
Machine Learning. În general, în prezent se
folosesc două tipuri principale de algoritmi
machine learning: machine learning
supravegheat și nesupravegheat. Diferența
dintre cele două tipuri constă în modul în
care fiecare învață despre date pentru a
face previziuni.

4. MACHINE
LEARNING
SUPRAVEGHEAT
Algoritmii de machine learning supravegheat sunt cei mai
frecvent utilizați. Cu acest model, un expert în date
acționează ca un ghid și învață algoritmul ce concluzii ar
trebui să tragă. Așa cum un copil învață să identifice fructele
prin memorarea lor dintr-o carte ilustrată, pentru machine
learning supravegheat, algoritmul este instruit de un set de
date care este deja etichetat și are o ieșire predefinită.
Exemplele de machine learning supravegheat includ algoritmi
precum regresia liniară și logistică, clasificarea instanțelor și
mașinile cu suport vectorial.

5. MACHINE LEARNING
NESUPRAVEGHEAT
Machine learning nesupravegheat utilizează o
abordare mai independentă, în care un computer
învață să identifice procese și modele complexe,
fără ajutorul unui om care să ofere îndeaproape
orientări în mod constant. Machine learning
nesupravegheat implică instruirea bazată pe date
care nu au etichete sau o ieșire specifică, definită.
Pentru a continua analogia cu sistemul de învățare
din copilărie, machine learning nesupravegheat
este similar cu un copil care învață să identifice
fructele prin observarea culorilor și modelelor, în loc
să memoreze numele cu ajutorul unui profesor.
Copilul va căuta asemănări între imagini și le va
separa în grupuri, atribuind fiecărui grup propria
etichetă nouă. Exemplele de algoritmi pentru
machine learning nesupravegheat includ gruparea
în k clustere, analiza principală și independentă a
componentelor și regulile de asociere.

6. ALEGEREA UNEI
ABORDĂRI
Alegerea unui algoritm de machine learning
supravegheat sau nesupravegheat depinde, de
obicei, de factorii legați de structura și volumul
datelor dvs. și de scenariul de utilizare la care doriți
să îl aplicați. Machine learning s-a dezvoltat într-o
gamă largă de domenii, sprijinind o varietate de
obiective de afaceri și de scenarii de utilizare, printre
care:
• valoarea ciclului de colaborare al clientului
• detectarea anomaliilor
• prețuri dinamice
• Întreținere predictivă
• Clasificare imagini
• Motoare de recomandare

7. MACHINE LEARNING ȘI DEZVOLTATORI
Când încep să folosească tehnologia machine learning, dezvoltatorii
se vor baza pe cunoștințele lor în materie de statistici, probabilitate și
calcul pentru a crea cu succes modele care învață de-a lungul
timpului. Având abilități clare în aceste domenii, dezvoltatorii nu ar
trebui să aibă probleme să învețe instrumentele pe care mulți alți
dezvoltatori le folosesc pentru a instrui algoritmi ML moderni. De
asemenea, dezvoltatorii pot lua decizii în cazul în care algoritmii lor vor
fi supravegheați sau nesupravegheați. Este posibil ca un dezvoltator
să ia decizii și să creeze un model încă de la început în cadrul unui
proiect, apoi să-i permită modelului să învețe fără a fi necesară o
implicare suplimentară din partea dezvoltatorului.
Există adesea o linie neclară între dezvoltator și expertul în date.
Uneori dezvoltatorii vor sintetiza date dintr-un model de machine
learning, în timp ce experții în date vor contribui la dezvoltarea de
soluții pentru utilizatorul final. În urma colaborării dintre aceste două
discipline, proiectele ML pot deveni mai valoroase și mai utile.

8. S C O P E C O N OMI C M A C H I N E L E A R N I N G : M O D E LAR EA
V A L O R I I P E D U R A TA Î N T R EGU LU I C I C LU D E C O LA BOR A R E
C U C L I E NȚI I
Modelarea valorii pe ciclul de colaborare cu clienții este esențială pentru companiile de comerț
electronic, dar este aplicabilă, de asemenea, în multe alte domenii. În acest model, organizațiile
utilizează algoritmii de machine learning pentru a identifica, a înțelege și reține clienții cei mai
valoroși. Aceste modele de valoare evaluează cantități masive de date ale clienților, pentru a-i
identifica pe cei care cheltuiesc cel mai mult, susținătorii cei mai loiali ai unui brand sau alte
combinații de astfel de calități.
Modelele de valoare pentru ciclul de colaborare al clientului sunt deosebit de eficiente în
estimarea veniturilor viitoare pe care un client individual le va aduce unei afaceri, într-o anumită
perioadă. Aceste informații permit organizațiilor să-și concentreze eforturile de marketing pe
încurajarea clienților cu valoare ridicată, pentru ca aceștia să interacționeze mai des cu brandul
lor. De asemenea, modelele de valoare pentru ciclul de colaborare cu clienții ajută organizațiile
să-și țintească cheltuielile de achiziție pentru a atrage noi clienți, cu un profil similar clienților cu
valoare ridicată existenți.

9. MOTOARE DE RECOMANDARE
Motoarele de recomandare sunt esențiale pentru clienții vizați
de vânzări adiționale (cross-selling și up-selling) și pentru a le
oferi acestora o experiență mai bună.
Netflix evaluează motorul său de recomandări, care propune
sugestii de conținut, la 1 miliard USD pe an, iar Amazon
susține că sistemul său crește vânzările anuale cu 20 – 35%.
Motoarele de recomandare utilizează algoritmi de machine
learning pentru a analiza cantități mari de date și a anticipa
probabilitatea ca un client să cumpere un element sau să
aprecieze un fragment de conținut, pentru ca apoi să facă
sugestii personalizate pentru utilizator. Rezultatul este o
experiență mai personalizată și mai relevantă, care
încurajează o implicare mai bună și reduce probabilitatea de
reziliere pentru clienți.

10. CAZURI
DE
UTILIZARE
MACHINE
LEARNING
Machine Learning susține o varietate de scenarii de
utilizare esențiale pentru afacere. Dar cum oferă un
avantaj competitiv? Printre calitățile cele mai
convingătoare ale machine learning se numără
abilitatea de a automatiza, de a accelera timpul până
la luarea deciziilor și până la obținerea valorii. Acest
lucru începe cu obținerea unei vizibilități mai bune a
afacerii și sporirea colaborării.
De exemplu, departamentele financiare sunt de
regulă încărcate de repetarea unui proces de analiză
a variațiilor – o comparație între realitate și prognoză.
Aceasta este o aplicație care necesită un grad scăzut
de cunoaștere și care poate beneficia din plin de
machine learning.

11. POTENȚIAL MACHINE
LEARNING
Machine Learning oferă un potențial extraordinar
pentru ca organizațiile să obțină valoare de afaceri din
bogăția datelor disponibile astăzi. Cu toate acestea,
fluxurile de lucru ineficiente pot încetini companiile în
obținerea potențialului maxim al machine learning.
Pentru a reuși la un nivel enterprise, machine learning
trebuie să facă parte dintr-o platformă cuprinzătoare,
care să ajute organizațiile să-și simplifice operațiunile
și să-și implementeze modele la scară. Soluția
potrivită va permite organizațiilor să centralizeze
întreaga activitate de știință a datelor într-o platformă
interactivă și să accelereze utilizarea și gestionarea
instrumentelor open source, a platformelor și a
infrastructurii.

12. BIBLIOGRAFIE:
• https://www.oracle.com/ro/data-science/machine-learning/what-is-
machine-learning/
• https://www.xantaro.net/en/tech-blogs/machine-and-deep-learning-
cybersecurity/
VĂ MULȚUMESC!
Date de contact: costeacamelia114@gmail.com