تفاوت یادگیری ماشین و داده کاوی

چکیده مقاله :
دو کلمه بسیار کلیدی که اخیرا بسیار درباره آن ها صحیت می شود را در این مقاله می خواهیم بررسی کنیم. یعنی همان ماشین لرنینگ یا یادگیری ماشین و دیگری دیتا ماینینگ یا داده کاوی. قطعا در رابطه با تفاوت این دو سوال خواهید داشت و می خواهید بدانید کاربردشان چیست و هرکدام در کدام موارد استفاده می شوند. شما با خواندن این مطالب کاملا با تفاوت یادگیری ماشین و داده کاوی آشنا می شوید ، کاربرد هریک را در مسائل مختلف با ذکر مثال می آموزید و به طورکلی با کلیات هریک آشنا می شوید. این دو به نوعی مکمل هم هستند و هردو وابسته به داده و تکنیک های تحلیل آماری خواهند بود.

1- فرق بین دیتا ماینینگ و ماشین لرنینگ

علیرغم بی اعتمادی به هوش مصنوعی که از صنعت فیلم و آینده پژوهان الهام گرفته شده است، زمان آن فرا رسیده است که به آن اعتماد کنید. به هر حال، بسیاری از کارهای روتین را می توان به راحتی از لیست کارهای شما در حال حاضر حذف کرد. به طور خاص، دو فناوری اصلی وجود دارد که ارزش توجه دارد – داده کاوی و یادگیری ماشین.

داده کاوی و یادگیری ماشین عمدتاً بر کمک به شرکت ها در توسعه ابزارهای تصمیم گیری بدون دخالت زیاد انسان تمرکز دارند. علاوه بر این، تصمیمات اتخاذ شده می توانند مبنایی برای اقدام در یک جهت یا جهت دیگر شوند. نترسید، کنترل از دست نمی رود. شما خودتان می توانید محدودیت های آزادی تکنولوژی را تعیین کنید. و این «آزادی» مشروط است تا زمانی که برنامه‌ها در ابتدا عادات شما را مطالعه کنند و الگوریتم‌های تصمیم‌گیری را توسعه دهند که می‌تواند اقدامات شما را پیش‌بینی کند، شما را به مناطق توسعه بالقوه جالب یا سرنخ‌های مفید هدایت کند.

صدها مشکل در یک ثانیه حل می شوند، به لطف توانایی انجام یک تجزیه و تحلیل عمیق و جامع از داده ها که معمولاً به طور آشفته و بدون ساختار ذخیره می شوند. خیلی خوب به نظر می رسد، درست است؟ بیایید نگاهی به نحوه عملکرد هر فناوری به طور جداگانه بیندازیم، تفاوت ها و شباهت های بین داده کاوی و یادگیری ماشینی چیست و کدام یک بهترین راه حل برای کسب و کار شما خواهد بود.

جهت آشنایی بیشتر می توانید مقاله زیر را با عنوان تحلیل آماری چیست مطالعه نمایید.

• تحلیل آماری چیست ؟

2- داده کاوی چیست ؟

قبل از بررسی دقیق تر تفاوت یادگیری ماشین و داده کاوی بهتر است یک بررسی اجمالی و خوب بر هریک داشته باشیم. توسعه روش‌های ثبت و ذخیره داده‌ها منجر به رشد سریع حجم اطلاعات جمع‌آوری‌شده و تحلیل‌شده شده است. حجم داده ها آنقدر چشمگیر است که فرد به سادگی نمی تواند آن را به تنهایی تجزیه و تحلیل کند، اگرچه نیاز به چنین تحلیلی کاملاً آشکار است، زیرا این داده های “خام” حاوی دانشی است که می تواند در تصمیم گیری استفاده شود. برای انجام تجزیه و تحلیل خودکار داده ها از داده کاوی استفاده می شود.

داده کاوی یکی از مراحل کشف دانش در پایگاه های داده است. اطلاعاتی که در فرآیند بکارگیری روش های داده کاوی یافت می شود باید غیر پیش پا افتاده و قبلاً ناشناخته باشد. به عنوان مثال، میانگین فروش با این اصطلاح مطابقت ندارد.

دانش دیتا ماینینگ باید روابط جدید بین ویژگی ها را توصیف کند، مقادیر برخی ویژگی ها را بر اساس ویژگی های دیگر پیش بینی کند، و غیره. سودمندی در این واقعیت نهفته است که این دانش می تواند در کاربرد آن سودمند باشد. دانش باید به شکل غیر ریاضی قابل درک برای کاربر باشد.

به عنوان مثال، ساختارهای منطقی “اگر … پس …” به راحتی توسط انسان درک می شود. علاوه بر این، چنین قوانینی را می توان در DBMS های مختلف به عنوان پرس و جوهای SQL استفاده کرد. در مواردی که دانش استخراج‌شده برای کاربر شفاف نیست، باید روش‌های پس پردازشی وجود داشته باشد تا آن را به شکل قابل تفسیر برساند.

الگوریتم های مورد استفاده در داده کاوی از نظر محاسباتی فشرده هستند. پیش از این، این یک عامل محدود کننده در کاربرد عملی گسترده داده کاوی بود، اما رشد امروزی در عملکرد پردازنده های مدرن، حاد بودن این مشکل را برطرف کرده است. اکنون، در یک زمان معقول، می توانید تجزیه و تحلیل کیفی صدها هزار و میلیون ها رکورد را انجام دهید.

1-2- تسک های حل شده با روش های داده کاوی

• طبقه بندی : تخصیص اشیا (مشاهدات، رویدادها) به یکی از کلاس های شناخته شده قبلی است.
• رگرسیون : از جمله مشکلات پیش بینی. ایجاد وابستگی خروجی پیوسته از متغیرهای ورودی.
• خوشه بندی : گروه بندی اشیاء (مشاهدات، رویدادها) بر اساس داده ها (خواص) است که ماهیت این اشیاء را توصیف می کند. اشیاء درون یک خوشه باید “شبیه” یکدیگر باشند و با اشیاء موجود در خوشه های دیگر متفاوت باشند. هر چه اشیاء مشابه در یک خوشه بیشتر باشد و تفاوت بین خوشه ها بیشتر باشد، خوشه بندی دقیق تر است.
• ارتباط : شناسایی الگوهای بین رویدادهای مرتبط. نمونه ای از چنین الگوی قاعده ای است که نشان می دهد رویداد Y از رویداد X پیروی می کند. چنین قوانینی را انجمنی می نامند. این مشکل ابتدا برای یافتن الگوهای خرید معمولی در سوپرمارکت ها پیشنهاد شد. بنابراین گاهی اوقات به آن تحلیل سبد بازار نیز می گویند.
• الگوهای متوالی : ایجاد الگوهایی بین رویدادهای مرتبط با زمان، به عنوان مثال، تشخیص این وابستگی که اگر رویداد X رخ دهد، رویداد Y پس از یک زمان مشخص رخ خواهد داد.
• تجزیه و تحلیل انحراف : شناسایی غیر معمول ترین الگوها.

مسائل تجزیه و تحلیل کسب و کار به روشی متفاوت فرموله می شوند، اما راه حل اکثر آنها به یک یا آن مشکل داده کاوی یا ترکیبی از آنها ختم می شود. به عنوان مثال، ارزیابی ریسک راه حلی برای مشکل رگرسیون یا طبقه بندی است. تقسیم بندی بازار خوشه بندی است. تحریک تقاضا قوانین انجمنی است.

در واقع، تسگ های داده کاوی عناصری هستند که از طریق آنها می توانید راه حلی برای اکثر مشکلات واقعی کسب و کار جمع آوری کنید.

برای حل وظایف فوق از روش ها و الگوریتم های مختلف داده کاوی استفاده می شود. با توجه به اینکه داده کاوی در تقاطع رشته هایی مانند آمار، تئوری اطلاعات، یادگیری ماشین، نظریه پایگاه داده توسعه یافته است، کاملا طبیعی است که اکثر الگوریتم ها و روش های داده کاوی بر اساس روش های مختلفی از این رشته ها توسعه یافته اند.

برای مثال، روش خوشه‌بندی k-means به سادگی از آمار وام گرفته شده است. روش های داده کاوی زیر نیز بسیار محبوب شده اند:

• شبکه های عصبی،
• درختان تصمیم،
• الگوریتم های خوشه بندی، از جمله الگوریتم های مقیاس پذیر،
• الگوریتم هایی برای تشخیص پیوندهای ارتباطی بین رویدادها،
• و غیره.

جهت آشنایی بیشتر با این موارد می توانید مقالات زیر را مطالعه نمایید.

• داده کاوی یا دیتا ماینینگ

• رگرسیون چیست ؟ 

• آنالیز رگرسیون 

3- یادگیری ماشین چیست ؟

یادگیری ماشینی یا همان ماشین لرنینگ (ML) مجموعه‌ای از روش‌ها در هوش مصنوعی است، مجموعه‌ای از الگوریتم‌هایی که برای ایجاد ماشینی استفاده می‌شوند که از تجربه یاد می‌گیرد. به عنوان آموزش، ماشین حجم عظیمی از داده های ورودی را پردازش می کند و الگوهایی را در آنها پیدا می کند.

یادگیری ماشینی یکی از شاخه‌های هوش مصنوعی است، الگوریتم‌هایی که به رایانه اجازه می‌دهد تا بدون پیروی از قوانین دقیق تعریف‌شده، از داده‌ها نتیجه بگیرد. یعنی ماشین می تواند الگوهایی را در مسائل پیچیده و چند پارامتری (که مغز انسان قادر به حل آنها نیست) پیدا کند و به این ترتیب پاسخ های دقیق تری پیدا کند. نتیجه یک پیش بینی درست است.

1-3- هدف و کاربردهای یادگیری ماشین

قطعا توضیح این مورد شما را با تفاوت یادگیری ماشین و داده کاوی آشنا می کند. هدف یادگیری ماشینی خودکارسازی جزئی یا حتی کامل حل مسائل مختلف تحلیلی پیچیده است.

بنابراین، اول از همه، یادگیری ماشین به گونه ای طراحی شده است که دقیق ترین پیش بینی ها را بر اساس داده های ورودی انجام دهد تا صاحبان مشاغل، بازاریابان و کارمندان بتوانند در کار خود تصمیمات درستی بگیرند. در نتیجه آموزش، دستگاه می تواند نتیجه را پیش بینی کند، آن را به خاطر بسپارد، در صورت لزوم آن را بازتولید کند و از بین چندین گزینه بهترین را انتخاب کند.

در حال حاضر، یادگیری ماشینی طیف وسیعی از کاربردها از بانک ها، رستوران ها، پمپ بنزین ها گرفته تا روبات ها را در تولید پوشش می دهد. چالش‌های جدیدی که تقریباً هر روز به وجود می‌آیند منجر به ظهور جهت‌های جدید در یادگیری ماشین می‌شود.

2-3- چگونه یادگیری ماشین با کیفیت بسازیم

یادگیری ماشین بر سه پایه بنا شده است:

1. داده : اطلاعات اولیه ای که معمولاً از مشتری می خواهیم ارائه دهد. این شامل هر نمونه داده ای است که برای کار با سیستم نیاز به آموزش دارد.
2. علائم : این بخش از کار با همکاری نزدیک با مشتری انجام می شود. ما نیازهای کلیدی کسب و کار را شناسایی می کنیم و به طور مشترک تصمیم می گیریم که سیستم کدام ویژگی ها را در نتیجه آموزش دنبال کند.
3. الگوریتم : انتخاب روشی برای حل یک مشکل تجاری داده شده. ما این مشکل را بدون مشارکت مشتری با تلاش کارمندان خود حل می کنیم.

داده ها

هرچه داده های بیشتری را در سیستم بارگذاری کنیم، بهتر و دقیق تر عمل می کند. خود داده ها مستقیماً به وظیفه ای که دستگاه با آن روبرو است بستگی دارد.

به عنوان مثال، برای آموزش ایمیل برای فیلتر کردن هرزنامه از ایمیل های مهم، به مثال هایی نیاز است. و هر چه نمونه بزرگتر باشد بهتر است. بنابراین، سیستم یاد می گیرد که کلمات خاص – “خرید”، “درآمد اضافی”، “در خانه کسب درآمد کنید”، “پول”، “اعتبار”، “افزایش قدرت” – به عنوان نشانه هایی از هرزنامه را درک کند و چنین نامه هایی را به یک پوشه جداگانه ارسال کند. .

داده های اولیه برای کارهای دیگر متفاوت خواهد بود. برای مشاوره به خریدار در مورد محصولاتی که ممکن است مورد علاقه او باشد، نیاز به سابقه خریدهای انجام شده توسط دارنده حساب دارد. برای پیش بینی تغییرات قیمت در بازار، به تاریخچه قیمت نیاز دارید.

سخت ترین و در عین حال پرحجم ترین بخش کار، جمع آوری همین داده هاست. دو روش جمع آوری داده ها وجود دارد:

• دستی: روش دستی بسیار کندتر اما دقیق است.
• خودکار: خودکار بسیار سریعتر است، اما اجازه خطاهای بیشتری را می دهد.

یک نمونه خوب از داده ها ارزش زیادی دارد زیرا دیتا است که مسئول دقت پیش بینی می باشد که در پایان به دست می آورید. بسیار مهم است که جمع آوری داده ها را به تفکر انسان محدود نکنیم، بلکه تا حد امکان اطلاعات بیشتری را ارائه دهیم، زیرا دستگاه می تواند مزایا و روابط را در جایی که فرد متوجه آنها نمی شود، ببیند.

علائم (خواص، متریک ها، ویژگی ها، کاراکتر ها)

مثلاً در مورد خودرو، علائم مسافت پیموده شده، تعداد سیلندر، حداکثر سرعت ممکن خواهد بود. در مورد خریدار: سن، جنسیت، تحصیلات، سطح درآمد و … در مورد حیوانات: نژاد، قد، طول از نوک دم تا بینی، رنگ.

از آنجایی که صحت ویژگی ها مستقیماً بر نتیجه ای که به دست می آورید تأثیر می گذارد، انتخاب آنها اغلب بیشتر از خود فرآیند یادگیری ماشین طول می کشد. نکته اصلی در اینجا این است که مجموعه ویژگی ها را بر اساس نظر شخصی محدود نکنید تا ادراک ماشین و نتیجه نهایی را با آن تحریف نکنید.

الگوریتم

الگوریتم یعنی سیستمی از عملیات متوالی برای حل یک کار خاص. به عبارت دیگر، یک روش حل. برای هر کار خاص، می توانید یک الگوریتم زیبا جداگانه انتخاب کنید. سرعت و دقت نتیجه پردازش داده اولیه مستقیماً به روش انتخابی بستگی دارد. البته بعضی مواقع بدرستی عمل نمی کند

به عنوان مثال، اگر می خواهید تعداد فروش متقابل در سایت را افزایش دهید و مطمئن هستید که برای این کار، فقط باید الگوریتم توصیه محصول را بهبود بخشید. اما در عین حال نمی دانید که مشتریان شما از طریق لینک های مستقیم از جستجو می آیند و توصیه خرید سایر محصولات نشان داده شده در سایت را نادیده می گیرید. بنابراین قبل از شروع کار علت واقعی مشکل مشتری را مشخص می کنیم. و اگر فنی باشد، هوش مصنوعی خوشحال می شود که به حل آن کمک کند.

3-3- انواع یادگیری ماشین

بر اساس حضور معلم، آموزش را می توان به آموزش با معلم (Supervised Learning)، بدون معلم (Unsupervised Learning) و با تقویت (Reinforcement Learning) تقسیم بندی کرد.

• یادگیری تحت نظارت زمانی استفاده می شود که شما نیاز دارید به ماشینی برای تشخیص اشیا یا سیگنال ها آموزش دهید. اصل کلی تدریس با معلم این است که «نگاه کن این در است و این هم در است و این هم در است».
• یادگیری بدون معلم از این اصل استفاده می‌کند که «این چیز مانند دیگران است». الگوریتم‌ها شباهت‌ها را یاد می‌گیرند و می‌توانند تفاوت‌ها را تشخیص دهند و با تشخیص موارد غیرمعمول یا غیرمشابه، تشخیص ناهنجاری را انجام دهند.
• یادگیری تقویتی در جایی استفاده می شود که ماشین با وظیفه انجام صحیح وظایف محول شده در محیط خارجی با گزینه های ممکن زیادی برای عمل مواجه است. به عنوان مثال، در بازی های رایانه ای، عملیات تجارت برای وسایل نقلیه بدون سرنشین.

با توجه به نوع الگوریتم های مورد استفاده، دو نوع قابل تشخیص است:

• یادگیری کلاسیک – الگوریتم های یادگیری شناخته شده و به خوبی مطالعه شده، عمدتاً بیش از 50 سال پیش برای دفاتر آماری توسعه یافته اند. در درجه اول برای وظایف کار با داده ها مناسب هستند: طبقه بندی، خوشه بندی، رگرسیون و غیره. آنها برای پیش بینی، تقسیم بندی مشتری و غیره استفاده می شوند.
• شبکه های عصبی و یادگیری عمیق – مدرن ترین رویکرد برای یادگیری ماشین. شبکه‌های عصبی هر جا که به تشخیص یا تولید تصویر و ویدئو، الگوریتم‌های کنترل پیچیده یا تصمیم‌گیری، ترجمه ماشینی و کارهای پیچیده مشابه نیاز باشد، استفاده می‌شوند.

چندین رویکرد را می توان ترکیب کرد و سپس مجموعه هایی از مدل ها را دریافت می کنید.

4- شباهت های داده کاوی و یادگیری ماشین

در این مقاله تنها به تفاوت یادگیری ماشین و داده کاوی نپرداخته و با توضیح شباهت ها شما را به درک و تسلط بیشتری بر هردو می رسانیم. در اینجا لیستی از شباهت هایی که می توانید هنگام مقایسه داده کاوی و یادگیری ماشین پیدا کنید را توضیح می دهیم.

• از زمانی که غول های فناوری مانند گوگل و فیس بوک در پایان دهه گذشته شروع به استفاده از آنها کردند، هردو کلماتی هستند که توجه رسانه ها را به خود جلب کرده اند.
• هردو به نوعی با استخراج اطلاعات برای یک هدف خاص مرتبط هستند.
• آنها با ریاضیات، الگوریتم ها و آمار سروکار دارند.
• همه آنها از رویکردهای الگوریتمی برای غربال کردن داده ها، ابزارهای مختلف و برنامه های کاربردی استفاده می کنند.
• در برخی موارد از رویکردهای الگوریتمی یا ساختار مشابهی استفاده می کنند.

5- تفاوت های داده کاوی و یادگیری ماشین

نوبتی هم باشه نوبت اصل مطلب یعنی تفاوت یادگیری ماشین و داده کاوی می باشد:

• عملکرد داده کاوی به شدت محدود به جمع آوری اطلاعات از منابع مختلف است. خود فناوری تصمیم نمی گیرد. بدون دخالت شما قادر به انجام هیچ عملی نیست. هدف آن یافتن راه های مفید برای استفاده از داده های یافت شده است. بین مجموعه هایی برای بازیابی داده ها و محاسبه داده ها از آنها، آنچه در بخش ها قرار می گیرد و آنچه که انجام نمی شود، تمایز قائل می شود. از این فناوری می توان برای تمایز داده ها و به دست آوردن مجموعه داده ها برای پارتیشن ها استفاده کرد.
• یادگیری ماشین با آرایه های داده تولید شده توسط فناوری داده کاوی کار می کند. فناوری هوش مصنوعی با استفاده از الگوریتم‌های از پیش مدل‌سازی‌شده برای اقدامات، از داده‌ها برای تصمیم‌گیری و پیگیری استفاده می‌کند. این فناوری بدون پشتیبان گیری دائمی از اطلاعات به روز وجود ندارد.

در نهایت، ما اکوسیستم خود را از تصمیم گیری آگاهانه دریافت می کنیم. هر دو فناوری مکمل یکدیگر هستند. استفاده از آنها به تنهایی برای محدود کردن پتانسیل آنها است.

6- نمونه هایی از راه حل های داده کاوی برای تجارت

از تئوری خسته شده اید؟ بیایید ببینیم بهترین کاربردهای داده کاوی در تجارت چیست.

بانکداری

با کمک ابزارهای داده کاوی، می توان مشتریان را به دو دسته «سودآورتر» و «کمتر سودآور» طبقه بندی کرد. پس از تعیین سودآورترین بخش مشتریان، منطقی است که بانک سیاست بازاریابی فعال تری را برای جذب مشتریان دقیقاً در میان گروهی که پیدا کرده است، دنبال کند.

خرده فروشی

خرده فروشی از DM برای تجزیه و تحلیل مخاطبان هدف استفاده می کند. مشتریان بالقوه را می توان با تمرکز بر ویژگی های اساسی که پایگاه کاربران موجود را متحد می کند، پیدا کرد. همچنین داده کاوی به تجزیه و تحلیل اثربخشی خدمات یا محصول یک برند و تصمیم گیری در مورد بهبودهای لازم کمک می کند. هدف قرار دادن مصرف کنندگان بالقوه علاقه مند نیز با این فناوری امکان پذیر است.

تجارت الکترونیک

در زمینه تجارت الکترونیک از داده کاوی برای تشکیل سیستم های توصیه و حل مشکلات طبقه بندی بازدیدکنندگان وب سایت استفاده می شود. این طبقه بندی به شرکت ها اجازه می دهد تا گروه های مشتری خاص را شناسایی کرده و سیاست های بازاریابی را در راستای علایق و نیازهای شناسایی شده مشتری انجام دهند. فناوری داده کاوی برای تجارت الکترونیک ارتباط نزدیکی با فناوری وب کاوی دارد.

تجارت الکترونیک دقیقاً به دلیل تجزیه و تحلیل عمیق سابقه فعالیت قبلی کاربر در حال رونق است. کاربر شما اخیراً در مورد 10 مکان برتر تعطیلات تابستانی خوانده است، آیا می توانید از آژانس مسافرتی خود یک پیشنهاد عالی ارائه دهید؟ وقت را تلف نمی کنیم. ما با مشتری ارتباط برقرار می کنیم!

بیمه

تجارت بیمه با ریسک خاصی همراه است. در اینجا، وظایف حل شده با استفاده از داده کاوی مشابه کارهای بانکی است.
اطلاعات به دست آمده از تقسیم بندی مشتریان به گروه ها برای تعریف گروه های مشتری استفاده می شود. در نتیجه شرکت بیمه می تواند با بیشترین سود و کمترین ریسک، گروه های خاصی از خدمات را به گروه های خاصی از مشتریان ارائه دهد. وظیفه کشف کلاهبرداری با یافتن یک کلیشه مشترک خاص از رفتار مشتریان کلاهبردار حل می شود.

مخابرات

در ارتباطات راه دور، از پیشرفت های داده کاوی می توان برای حل یک مشکل معمولی برای هر شرکتی که برای جذب مشتریان وفادار کار می کند – برای تعیین وفاداری آن مشتریان استفاده کرد.

نیاز به حل چنین مشکلاتی به دلیل رقابت سخت در بازار مخابرات و مهاجرت مداوم مشتریان از یک شرکت به شرکت دیگر است. همانطور که می دانید، حفظ مشتری بسیار ارزان تر از بازگرداندن آن است. بنابراین، شناسایی گروه های خاصی از مشتریان و توسعه مجموعه ای از خدمات که بیشترین جذابیت را برای آنها دارد ضروری می شود. در این زمینه، مانند بسیاری دیگر، یک وظیفه مهم شناسایی حقایق تقلب است. علاوه بر چنین وظایفی که برای بسیاری از زمینه های فعالیت معمول است، گروهی از وظایف وجود دارد که با توجه به ویژگی های بخش مخابرات تعیین می شود.

تولید صنعتی

ویژگی های تولید صنعتی و فرآیندهای تکنولوژیکی، پیش نیازهای خوبی برای امکان استفاده از فناوری داده کاوی در مسیر حل مشکلات مختلف تولید ایجاد می کند. فرآیند فنی طبیعتاً باید کنترل شود و تمام انحرافات آن در حدود شناخته شده قبلی باشد. در اینجا می‌توانیم در مورد ثبات خاصی صحبت کنیم، که معمولاً در اکثر وظایف پیش روی فناوری داده کاوی ذاتی نیست.

وظایف اصلی داده کاوی در تولید صنعتی:

• تجزیه و تحلیل سیستم جامع شرایط تولید.
• پیش بینی کوتاه مدت و بلند مدت توسعه موقعیت های تولید.
• توسعه گزینه ها برای راه حل های بهینه سازی.
• پیش بینی کیفیت محصول بسته به برخی پارامترهای فرآیند تکنولوژیکی.
• تشخیص روندهای پنهان و الگوهای توسعه فرآیندهای تولید.
• پیش بینی الگوهای توسعه فرآیندهای تولید.
• تشخیص عوامل پنهان تأثیر.
• تشخیص و شناسایی روابط ناشناخته قبلی بین پارامترهای تولید و عوامل موثر.
• تجزیه و تحلیل محیط از تعامل فرآیندهای تولید و پیش بینی تغییرات در ویژگی های آن.
• توسعه توصیه های بهینه سازی برای مدیریت فرآیندهای تولید.
• تجسم نتایج تجزیه و تحلیل، تهیه گزارش های اولیه، و پیش نویس راه حل های امکان پذیر با ارزیابی قابلیت اطمینان و اثربخشی پیاده سازی های ممکن.

نمونه های واقعی

• آمازون
• Booking.com
• مک دونالد
• OptumLabs
• استارباکس
• هدف

7- نمونه هایی از راه حل های یادگیری ماشین برای کسب و کار

بعد از بخش قبل معرفی کاربردهای ماشین لرنینگ شما را به درک بیشتری بر موضوع تفاوت یادگیری ماشین و داده کاوی خواهد رساند. آیا احساس می کنید که ML دقیقاً همان چیزی است که پروژه شما به آن نیاز دارد؟ جالب ترین موارد استفاده از یادگیری ماشین را در این بخش بررسی می کنیم.

فروش سیستم برای فروشگاه های آنلاین

یک مثال تجاری مناسب، سیستم های توصیه برای فروشگاه های آنلاین است. تکلیف روشن است: بر اساس تجزیه و تحلیل رفتار کاربر در سایت و خرید آنها، محصولات اضافی را که مشتری احتمالاً خریداری می کند به آنها پیشنهاد دهید. یک برنامه آموزشی ایجاد می‌شود، الگوریتمی که حجم عظیمی از داده‌های خرید در فروشگاه‌های آنلاین مختلف را تجزیه و تحلیل می‌کند و پس از آموزش، می‌تواند پیش‌بینی‌های نسبتاً دقیقی برای مشتریان جدید ایجاد کند.
تمرین نشان می دهد که یک سیستم توصیه خوب می تواند رشد درآمد یک فروشگاه آنلاین را تا 50٪ تضمین کند.

پیش بینی رفتار مشتری

تکنیک‌های یادگیری ماشین اغلب برای پیش‌بینی رویدادها در پایگاه مشتری استفاده می‌شوند. یک شرکت بیمه ارائه دهنده خدمات VHI می تواند از یادگیری ماشینی برای پیش بینی اینکه چه مشتریانی در آینده نزدیک به دنبال مراقبت های پزشکی گران قیمت خواهند بود، استفاده کند. با چنین پیش بینی، شرکت از قبل با مشتریان “پرخطر” تماس می گیرد و اقدامات پیشگیرانه را انجام می دهد: به عنوان مثال، به مشتری یک معاینه پزشکی ارائه می دهد یا با یک پزشک متخصص تر مشورت می کند.
مشتریان بدون انتظار برای مرحله حاد بیماری شروع به دریافت کمک های واجد شرایط از قبل کردند و شرکت بیمه هزینه های VHI را صدها هزار دلار در ماه کاهش می دهد!

بهینه سازی فرآیند

یادگیری ماشینی به شما امکان می دهد تا عرضه کالاها را به زنجیره های خرده فروشی سازماندهی کنید. یکی از خرده فروشان شبکه اخیراً سیستم خودآموزی را پیاده سازی کرده است که به طور کاملاً مستقل سفارش تأمین آب آشامیدنی فروشگاه های زنجیره ای را تشکیل می دهد. این برنامه پویایی فروش، پیش بینی آب و هوا، فصل و سایر عوامل را در نظر می گیرد، به شما امکان می دهد از انباشته شدن بیش از حد یا برعکس، کمبود کالا در محل فروش جلوگیری کنید.

تقسیم بندی هنگام کار با مشتریان

با کمک برنامه های آموزشی، وظایف نه تنها پیش بینی، بلکه تقسیم بندی نیز به طور موثر حل می شود. درخشان ترین مثال، یافتن مشتریانی است که شبیه به یک گروه خاص هستند. شبکه ای از کلینیک های دندانپزشکی با چند ده هزار ورودی در پایگاه مشتریان، چنین موردی را اجرا کرده است.

آنها مشتریانی را که اخیراً خدمات بهداشتی حرفه ای سفارش داده بودند، بردند و بر اساس این داده ها، با استفاده از روش های یادگیری ماشینی، محتمل ترین خریداران این سرویس را از کل مشتریان خود شناسایی کردند. چنین تقسیم بندی هوشمندانه ای می تواند هزینه تماس های بی روح را چندین برابر کاهش دهد!

موارد واقعی:

• توییتر
• سیب
• علی بابا
• Spotify
• فیس بوک