机器学习研究用于自学做事的算法媒体

一掠网 / 2020-05-21 10:15:44
纵观当前的业务趋势,所有公司,无论是航空,电子商务,广告,教育,都在试图为其消费者提供个性化的产品。如...

数据现在已经成为新的货币,当生活的新规范将推动我们更多地采用数字产品时,数据将在确定消费者行为和个性化数字解决方案方面发挥关键作用。

对数字产品的需求将日益增长,并且产品经理的职责也将增加,这将推动他们学习新的技能和技术。我将继续与其他产品专家分享我的经验和教训,以更好地解决消费者问题。

让我们以对机器学习的简要了解开始我们的旅程。机器学习是人工智能(AI)的一种应用,它使系统能够自动学习并从经验中改进。机器学习主要专注于计算机程序的开发,当暴露于新数据时,计算机程序可以教会自己成长和变化。

机器学习研究用于自学做事的算法。主要目的是允许计算机自动学习,而无需人工干预。

纵观当前的业务趋势,所有公司,无论是航空,电子商务,广告,教育,都在试图为其消费者提供个性化的产品。如果仅谈论印度,我们就有超过6亿互联网用户,并且每天都有成倍的数据生成,并且不可能手动分析和发现这些数据中的任何模式,这就是机器学习在行动中帮助数据科学家和具有宝贵见解的产品经理。

我将尝试解释ML算法的基础知识,每一个产品经理都应该了解这些知识,以个性化用户体验,并有效地工作以理解和解决消费者和业务问题。尽管他们不需要更深入地研究这些算法的编码和体系结构,但是他们应该了解基础知识,以便他们了解所构建的内容以及如何构建。

机器学习算法大致分为:

有监督和无监督

监督机器学习算法

监督式机器学习算法从标记的训练数据中学习,可帮助您预测不可预见的数据的结果。例如,您想培训一台机器以帮助您预测从工作场所开车回家要花费多长时间。在这里,您首先创建一组标记数据,例如:

-天气条件-

一天中的时间

-假日

监督学习是您拥有输入变量(x)和输出变量(Y)的地方,并且您使用算法来学习从输入到输出的映射函数。

Y = f(X)

监督机器学习算法的流行示例是“线性回归分析”。

线性回归分析

线性回归分析是一种预测建模技术,用于研究因变量和自变量之间的关系。线性回归的目的是找到一条可以准确描述两个变量之间实际关系的直线。回归技术使用训练数据预测单个输出值,这可以帮助根据以前的销售额,GDP增长或其他条件来预测公司的销售额。

线性回归:Y = a + bX + u

哪里:

Y =您要预测的变量

X =用于预测Y的变量

a =截距

b =斜率

u =回归残差

无监督的机器学习算法

当用于训练的信息既未分类也未标记时,将使用它们。该系统确实可以找到正确的输出,但是它可以探索数据,并且可以从数据集中得出干扰,以描述未标记数据中的隐藏结构。无监督学习是仅输入数据(X)而没有相应输出变量的地方。

无监督学习的目标是对数据的基础结构或分布进行建模,以了解更多有关数据的信息。与无监督学习不同,没有正确的答案,也没有老师。算法由他们自己设计,以发现并呈现数据中有趣的结构。所有数据均未标记,算法从输入数据中学习固有结构。

1
联系我们