Základy strojového učení
-
Upload
michalillich -
Category
Technology
-
view
1.857 -
download
0
Transcript of Základy strojového učení
![Page 1: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/1.jpg)
Základy strojového učení
DataRestart 2016
Michal Illich
![Page 2: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/2.jpg)
Michal Illich
![Page 3: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/3.jpg)
Obsah
1. Kdo používá strojové učení?
2. Kde ho můžete použít vy
3a. Jaké modely používat?
3b. Dva jednoduché příklady
4. Co s tím děláme my
5. Shrnutí
![Page 4: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/4.jpg)
Kdo používá produkty strojového učení?
![Page 5: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/5.jpg)
Kde se používá na webu - I
![Page 6: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/6.jpg)
Kde se používá na webu - II
![Page 7: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/7.jpg)
Kde se používá na webu - III
![Page 8: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/8.jpg)
Mimo web
Siri
OCR
Self-driving cars
![Page 9: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/9.jpg)
Kde ho můžete použít vy?
![Page 10: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/10.jpg)
Ema má e-shop...
![Page 11: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/11.jpg)
Skladovost
● Které zboží mám nakoupit na sklad?
● Cíl:– Minimalizace ceny skladovaného zboží
– Při maximalizace prodejů
![Page 12: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/12.jpg)
Cenotvorba
● Jakou mám nastavit marži?(u konkrétního výrobku)
● Cíl:– Maximální celkový zisk
(přičemž nižší cena znamená více prodejů, ale s nižší marží...)
![Page 13: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/13.jpg)
Parametry zboží
● Mám desítky tisíc produktů v e-shopu, jak k nim doplnit informace (technické specifikace)?
● Cíl:– Informovat zákazníka a umožnit vyhledávání
– Ale minimalizovat náklady na získání informací
![Page 14: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/14.jpg)
Doporučování
● Zákazník si koupil X, jaká Y mu nabídnout?
● Cíl:– Prodat více (nebo častěji)
![Page 15: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/15.jpg)
Jaké modely se používají?
![Page 16: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/16.jpg)
Co je to vlastně model?
Krabička● Má vstupy● Má výstup(y)● a „uvnitř je chytrá“
![Page 17: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/17.jpg)
Jak model vznikne?
Učením!
1. Vyberete algoritmus (a jeho parametry)
2. Natrénujete model (na minulých datech)
3. Pak jej používáte (na nových datech)
![Page 18: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/18.jpg)
Lineární regrese
1. Každý vstup má přiřazenou váhu
2. Vstupy prostě vynásobím váhou.
A všechno to sečtu.
3. A mám výsledek.
![Page 19: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/19.jpg)
Lineární regrese - příklad
Marže = 3
– 0.2 * PočetKonkurentůCoToMajíSkladem
– 0.3 * PočetKonkurentůCoToMajíLevnější
+ 0.8 * JeToNovinka
+ 0.5 * MámSklademPosledníKus
![Page 20: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/20.jpg)
Lineární regrese - pokračování
Co udělá strojové učení lépe než člověk?● zanalyzuje obrovská data● určí koeficienty „matematicky optimálně“● vybere ty správné vstupy● může to vše dělat každou noc automaticky
![Page 21: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/21.jpg)
Rozhodovací stromy
![Page 22: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/22.jpg)
Neuronová síť
![Page 23: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/23.jpg)
Neuronová síť
Velmi obecná- využitelná pro mnoho různých problémů- špičkové výsledky zejména pro obraz a zvuk
Nelineární
Deep learning- obrovský trend- viz mj. i moje přednáška
Hodně „magie“- těžká na interpretaci- vyžaduje zkušenosti s nastavením
![Page 24: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/24.jpg)
Kde si s ním hrajeme my
Magictable
Brandiozo
Golem
a jeden neveřejný projekt
![Page 25: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/25.jpg)
Hledáme chyby...
![Page 26: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/26.jpg)
Případně data rovnou dodáme
Robot to udělá- levněji než lidé- rychleji a na větších datech- stejně přesně nebo lépe
Člověk zůstane v roli dohledu/učitele,nedělá už rutinní práci.
![Page 27: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/27.jpg)
Příklad, jak strojové učení používáme
![Page 28: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/28.jpg)
Jak jej používáme – vysvětlení
1. Ručně navržené algoritmy spárují zdroje Konkrétně parametry z různých zdrojů (e-shopů, webů)
2. Strojové učení umí předpovědět které spárování je správně a které nejspíš chybně. S přesností 97 %
3. Chybná/podezřelá spárování potlačíme Dáme jim nižší váhu v souhrnném reportu
![Page 29: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/29.jpg)
Open source nástroje
Neuronové sítě:
theano, keras, tensorflow, cuda-convnet
Další algoritmy:
gbm, libsvm, vowpal wabbit, sofia-kmeans, gensim
Nástroje s GUI:
weka, orange, rapid miner
Cloudové služby (proprietární):
Amazon, Azure, Google, BigML
![Page 30: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/30.jpg)
Závěr
![Page 31: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/31.jpg)
1/2
Mít data nestačí. Používejte je.kreslit barevné grafy je základ, nikoliv plné využití dat
![Page 32: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/32.jpg)
Strojové učení.nechte stroje samotné najít si vztahy v datech
2/2
![Page 34: Základy strojového učení](https://reader034.fdocuments.net/reader034/viewer/2022050613/58f1821a1a28ab6d578b45ad/html5/thumbnails/34.jpg)
Appendix
Zdroje obrázků:http://www.edureka.co/blog/decision-trees/