Другие применения обучающих алгоритмов

Описанные в этой книге методы не новы, и, хотя примеры в основном касаются задач коллективного разума, возникающих в Интернете, владение алгоритмами машинного обучения будет полезно и разработчикам программного обеспечения во многих других областях. Особенно это относится к тем отраслям знания, где требуется отыскивать интересные закономерности в больших наборах данных, например: Биотехнология

В результате развития технологий секвенирования и скрининга были созданы огромные массивы данных разного вида: последовательности ДНК, белковые структуры и РНК-выражения. Техника машинного обучения активно применяется ко всем этим данным в попытке отыскать закономерности, которые помогли бы понять биологические процессы. Обнаружение финансового мошенничества

Компании, обслуживающие кредитные карты, постоянно изыскивают новые способы обнаружения мошеннических транзакций. На

сегодня для проверки транзакций и распознавания запрещенного использования применяются такие методы, как нейронные сети и индуктивная логика. Машинное зрение

Интерпретация изображений с видеокамеры для нужд военных и охраны – это область активных исследований. Для автоматического обнаружения вторжения, идентификации транспортных средств и черт лица применяются различные методы машинного обучения. Особый интерес представляют методы обучения без учителя, например анализ независимых компонентов, позволяющие находить интересные паттерны в больших наборах данных. Маркетинг товаров

В течение очень долгого времени оценка демографического состава покупателей и трендов была скорее искусством, нежели наукой. Но недавно появившиеся методы сбора данных о потребителях открыли возможность применения таких методов машинного обучения, как кластеризация, к задаче выявления естественных разделений на рынках и более точного предсказания будущих трендов. Оптимизация цепочек поставщиков

Крупные организации могут сэкономить миллионы долларов за счет эффективной организации цепочек поставщиков и точного прогноза спроса на продукцию в различных областях. Есть много способов построить цепочку поставщиков и столько же факторов, способных оказать влияние на спрос. Для анализа таких массивов данных часто применяются методы оптимизации и машинного обучения. Анализ фондовых рынков

С тех пор как появился фондовый рынок, люди стремились использовать математику для зарабатывания денег. По мере того как участники становились все более изощренными, возникла необходимость в анализе больших наборов данных и применении развитых методов выявления закономерностей. Национальная безопасность

Объем информации, собираемой правительственными агентствами по всему миру, огромен. Для ее анализа необходимы компьютеры, способные распознавать паттерны и ассоциировать их с потенциальными угрозами. И это лишь небольшая часть ситуаций, в которых интенсивно применяется машинное обучение. Поскольку информации становится все больше, то весьма вероятно, что в недалеком будущем к методам машинного обучения и статистического анализа будут прибегать все в новых областях, поскольку для обработки информации по старинке человеческих способностей уже недостаточно.

Если учесть, сколько новой информации появляется каждодневно, то возможности этих методов поистине неисчерпаемы. Узнав о некоторых алгоритмах машинного обучения, вы увидите, что применять их можно практически везде.

Вы можете следить за любыми ответами на эту запись через RSS 2.0 ленту. Вы можете оставить ответ, или trackback с вашего собственного сайта.

Оставьте отзыв

XHTML: Вы можете использовать следующие теги: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

 
Rambler's Top100