Koneoppiminen / Ennakoiva analytiikka

Esitys aiheesta: "Koneoppiminen / Ennakoiva analytiikka"— Esityksen transkriptio:

1 Koneoppiminen / Ennakoiva analytiikka
Käsitteitä

2 Data-analytiikan askelmat
Prescriptive analytics (ohjeistus) - miten kannattaisi toimia? Predictive analytics (ennakointi) - mitä seuraavaksi? Diagnostic analytics (selittäminen) - miksi? Descriptive analytics (kuvailu) - mitä?

3 Koneoppimisen menetelmien jaottelua
Ohjatun (supervised) ja ohjaamattoman (unsupervised) oppimisen lisäksi käytetään vahvistusoppimista (reinforcement learning), jota ei tällä kurssilla käsitellä.

4 Ohjattu oppiminen (supervised)
Kone muodostaa (oppii) mallin opetusdatan (training set) avulla. Opetusdata koostuu selittävistä muuttujista (feature matrix) ja selitettävästä eli ennustettavasta muuttujasta (target). Opetusdatassa ennustettavan muuttujan arvot (labels) ovat tiedossa. Opitun mallin avulla kone osaa ennustaa ennustettavan muuttujan arvoja (labels) uudelle datalle.

5 Ohjatun oppimisen prosessi

6 Ohjattu – Discrete label
Esimerkkejä käyttötapauksista: Roskapostisuodatin Sairauden diagnosointi Maksuhäiriön ennakointi Vakuutuspetoksen tunnistaminen Auton rekisterinumeron koneellinen lukeminen Esineiden tunnistaminen valokuvasta Malleja: Naive Bayes Logistinen regressio Support vector machines Decision trees Random forest classification

7 Ohjattu – Continuous label
Esimerkkejä käyttötapauksista: Kysynnän ennustaminen Asunnon hinta Käytetyn auton hinta Malleja: Regression Support vector machines Random forest regression

8 Ohjaamaton - Clustering
Esimerkkejä käyttötapauksista: Asiakassegmenttien tunnistaminen Malleja: K-means clustering Gaussian mixture Spectral clustering

9 Ohjaamaton – Dimensionality reduction
Esimerkkejä käyttötapauksista: Datan yksinkertaistaminen Datan havainnollistaminen Taustalla olevien rakenteiden tunnistaminen Malleja: Principal component analysis (pääkomponenttianalyysi) Manifold learning