Lataa esitys
Esittely latautuu. Ole hyvä ja odota
1
Mat-2.4142 Optimointiopin seminaari, Syksy 2010
Oppivat tilastomenetelmät tiedonlouhinnassa, päättelyssä ja ennustamisessa Mat Optimointiopin seminaari, Syksy 2010
2
Esimerkkejä sovelluksista 1/2
Potilaan sydänkohtauksen ennustaminen demografisen, ruokavalioon perustuvan ja lääketieteellisen tiedon perusteella. Osakekurssin kehitys yrityksen tunnuslukujen ja taloudellisten indikaattorien avulla. Käsinkirjoitettujen postinumerojen koneellinen lukeminen. Yrityksen maksuhäiriötodennäköisuuden arviointi tilinpäätös- ja muiden tietojen avulla (DI-Työ, Lauri Kovanen, 2008).
3
Esimerkkejä sovelluksista 2/2
Riskiluokittelu henkivakuutusta varten perustuen sydänsairauteen liittyviin tekijöihin (GOR-Seminaari 2010). Puhelujen luokittelu ja analysointi foneettiseen (ääni-) dataan perustuen (GOR-Seminaari 2010). Kuluttajasegmentointi muotituotteiden kysynnän ennustamista varten demografisesta ja historiallisesta kysyntädatasta (Nokia Oyj).
4
Termistöä Tilastollinen oppiminen:
Tavoitteena (yleensä kvantitatiivisen tai kategorisoidun) muuttujan ennustaminen perustuen tiettyyn ominaisuusjoukkoon (vaikkapa ruokavalio, taloudelliset mittarit) käyttämällä olemassa olevaa ”harjoitusdataa”, jonka avulla saadaan muodostettua ennustusmalli. (”oppija”) Ohjattu oppiminen => tulokset odotettuja eli luokat tunnetaan ennalta Ohjaamaton oppiminen => aineiston luokittelu ilman ennakkotietoa luokista
5
Roskapostin suodatus Sanojen esiintymistiheys (jo luokitelluille) sähköpostiviesteille: Ohjatun oppimisen tehtävä, jossa luokitellaan sähköposti tunnettuihin luokkiin ( /spam) esim. säännöllä:
6
Käsialan tunnistus Kirjeiden postinumerot luetaan 16 x 16 pikselin kuviksi, jossa pikselin tummuus vaihtelee välillä 0…255 Ohjatun oppimisen tehtävä, jossa luokitellaan postinumerot luvuittain {0,1,…9,”ei tunnistettu”}
Samankaltaiset esitykset
