സ്കെച്ച്നോട്ട് Tomomi Imura tarafından
ഈ പാഠ്യപദ്ധതിയിൽ, നിങ്ങൾ പരിശീലനത്തിനായി ഡാറ്റ തയ്യാറാക്കാനും മെഷീൻ ലേണിംഗ് മോഡലുകൾ സൃഷ്ടിക്കാനും നിരവധി മാർഗങ്ങൾ പഠിച്ചു. നിങ്ങൾ ക്ലാസിക് റെഗ്രഷൻ, ക്ലസ്റ്ററിംഗ്, ക്ലാസിഫിക്കേഷൻ, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ്, ടൈം സീരീസ് മോഡലുകളുടെ ഒരു പരമ്പര നിർമ്മിച്ചു. അഭിനന്ദനങ്ങൾ! ഇപ്പോൾ, നിങ്ങൾക്ക് ഇതെല്ലാം എന്തിനാണെന്ന് അറിയാൻ ആഗ്രഹമുണ്ടാകാം... ഈ മോഡലുകൾക്ക് യാഥാർത്ഥ്യ ലോകത്തിൽ എന്തെല്ലാം പ്രയോഗങ്ങൾ ഉണ്ട്?
ഇൻഡസ്ട്രിയിൽ ആഴത്തിലുള്ള ലേണിംഗ് ഉപയോഗിക്കുന്ന AI-യുടെ വലിയ താൽപ്പര്യം ഉണ്ടാകുമ്പോഴും, ക്ലാസിക്കൽ മെഷീൻ ലേണിംഗ് മോഡലുകൾക്ക് ഇപ്പോഴും മൂല്യവത്തായ പ്രയോഗങ്ങൾ ഉണ്ട്. നിങ്ങൾക്ക് ഇന്നും ഈ ചില പ്രയോഗങ്ങൾ ഉപയോഗിക്കാം! ഈ പാഠത്തിൽ, എട്ട് വ്യത്യസ്ത വ്യവസായങ്ങളും വിഷയ-വിഭാഗങ്ങളും ഈ തരം മോഡലുകൾ അവരുടെ പ്രയോഗങ്ങൾ കൂടുതൽ പ്രകടനക്ഷമവും വിശ്വസനീയവുമാക്കി, ബുദ്ധിമുട്ടുള്ളവയും ഉപയോക്താക്കൾക്ക് മൂല്യമുള്ളവയുമാക്കാൻ എങ്ങനെ ഉപയോഗിക്കുന്നു എന്ന് പരിശോധിക്കും.
ഫിനാൻസ് മേഖലയ്ക്ക് മെഷീൻ ലേണിംഗിനായി നിരവധി അവസരങ്ങൾ നൽകുന്നു. ഈ മേഖലയിലെ പല പ്രശ്നങ്ങളും ML ഉപയോഗിച്ച് മോഡലാക്കി പരിഹരിക്കാനാകും.
കോഴ്സിൽ മുമ്പ് k-means ക്ലസ്റ്ററിംഗ് പഠിച്ചു, എന്നാൽ ഇത് ക്രെഡിറ്റ് കാർഡ് തട്ടിപ്പുമായി ബന്ധപ്പെട്ട പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ എങ്ങനെ ഉപയോഗിക്കാം?
k-means ക്ലസ്റ്ററിംഗ് ഔട്ട്ലൈയർ കണ്ടെത്തൽ എന്ന ക്രെഡിറ്റ് കാർഡ് തട്ടിപ്പ് കണ്ടെത്തൽ സാങ്കേതികതയിൽ സഹായിക്കുന്നു. ഒരു ഡാറ്റാ സെറ്റിലെ നിരീക്ഷണങ്ങളിൽ ഉള്ള വ്യത്യാസങ്ങൾ അല്ലെങ്കിൽ ഔട്ട്ലൈറുകൾ, ക്രെഡിറ്റ് കാർഡ് സാധാരണ രീതിയിൽ ഉപയോഗിക്കപ്പെടുന്നുണ്ടോ അല്ലെങ്കിൽ എന്തെങ്കിലും അസാധാരണമുണ്ടോ എന്ന് പറയാൻ സഹായിക്കുന്നു. താഴെ നൽകിയ ലേഖനത്തിൽ കാണിച്ചിരിക്കുന്നതുപോലെ, k-means ക്ലസ്റ്ററിംഗ് ആൽഗോരിതം ഉപയോഗിച്ച് ക്രെഡിറ്റ് കാർഡ് ഡാറ്റ ക്രമീകരിച്ച് ഓരോ ഇടപാടും എത്രത്തോളം ഔട്ട്ലൈർ ആണെന്ന് അടിസ്ഥാനമാക്കി ഒരു ക്ലസ്റ്ററിലേക്ക് നിയോഗിക്കാം. പിന്നീട്, തട്ടിപ്പുള്ളതും നിയമപരവുമായ ഇടപാടുകൾക്കായി ഏറ്റവും അപകടകാരിയായ ക്ലസ്റ്ററുകൾ വിലയിരുത്താം. Reference
സമ്പത്ത് മാനേജ്മെന്റിൽ, വ്യക്തി അല്ലെങ്കിൽ സ്ഥാപനങ്ങൾ അവരുടെ ക്ലയന്റുകളുടെ പേരിൽ നിക്ഷേപങ്ങൾ കൈകാര്യം ചെയ്യുന്നു. ദീർഘകാലം സമ്പത്ത് നിലനിർത്താനും വളർത്താനും അവരുടെ ജോലി അത്യന്താപേക്ഷിതമാണ്, അതിനാൽ മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്ന നിക്ഷേപങ്ങൾ തിരഞ്ഞെടുക്കുന്നത് അനിവാര്യമാണ്.
ഒരു നിക്ഷേപം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് വിലയിരുത്താനുള്ള ഒരു മാർഗം സ്റ്റാറ്റിസ്റ്റിക്കൽ റെഗ്രഷൻ ആണ്. ലിനിയർ റെഗ്രഷൻ ഒരു ഫണ്ട് ചില ബെഞ്ച്മാർക്കുകളോട് താരതമ്യം ചെയ്യുമ്പോൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കാൻ ഒരു മൂല്യവത്തായ ഉപകരണം ആണ്. റെഗ്രഷന്റെ ഫലങ്ങൾ സ്റ്റാറ്റിസ്റ്റിക്കൽ ദൃഢതയുള്ളതാണോ അല്ലയോ, അല്ലെങ്കിൽ അത് ക്ലയന്റിന്റെ നിക്ഷേപങ്ങളെ എത്രത്തോളം ബാധിക്കും എന്നതും നാം മനസ്സിലാക്കാം. കൂടുതൽ റിസ്ക് ഘടകങ്ങൾ പരിഗണിക്കുന്ന മൾട്ടി-റെഗ്രഷൻ ഉപയോഗിച്ച് നിങ്ങളുടെ വിശകലനം കൂടുതൽ വിപുലീകരിക്കാം. ഒരു പ്രത്യേക ഫണ്ടിനായി ഇത് എങ്ങനെ പ്രവർത്തിക്കുമെന്ന് കാണാൻ താഴെ നൽകിയ ലേഖനം പരിശോധിക്കുക. Reference
വിദ്യാഭ്യാസ മേഖലയിലും ML പ്രയോഗിക്കാൻ വളരെ രസകരമായ മേഖലയാണ്. പരീക്ഷകളിൽ ചതിയുണ്ടോ എന്ന് കണ്ടെത്തൽ, എസ്സേകളിൽ ചതിയുണ്ടോ എന്ന് കണ്ടെത്തൽ, അല്ലെങ്കിൽ തിരുത്തൽ പ്രക്രിയയിൽ ഉദ്ദേശ്യവുമില്ലാത്ത പക്ഷപാതം നിയന്ത്രിക്കൽ പോലുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കേണ്ടതുണ്ട്.
ഓൺലൈൻ ഓപ്പൺ കോഴ്സ് പ്രൊവൈഡറായ Coursera അവരുടെ ടെക് ബ്ലോഗിൽ നിരവധി എഞ്ചിനീയറിംഗ് തീരുമാനങ്ങൾ ചർച്ച ചെയ്യുന്നു. ഈ കേസ് സ്റ്റഡിയിൽ, അവർ ഒരു റെഗ്രഷൻ ലൈൻ പ്ലോട്ട് ചെയ്ത് കുറഞ്ഞ NPS (നെറ്റ് പ്രൊമോട്ടർ സ്കോർ) റേറ്റിംഗും കോഴ്സ് നിലനിർത്തലും അല്ലെങ്കിൽ ഉപേക്ഷണവും തമ്മിലുള്ള ബന്ധം പരിശോധിക്കാൻ ശ്രമിച്ചു. Reference
Grammarly, വാക്ക് പരിശോധിക്കുന്ന ഒരു എഴുത്ത് സഹായിയാണ്, അവരുടെ ഉൽപ്പന്നങ്ങളിൽ സങ്കീർണ്ണമായ നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് സിസ്റ്റങ്ങൾ ഉപയോഗിക്കുന്നു. അവർ അവരുടെ ടെക് ബ്ലോഗിൽ മെഷീൻ ലേണിംഗിൽ ലിംഗപക്ഷപാതം എങ്ങനെ കൈകാര്യം ചെയ്തുവെന്ന് ഒരു രസകരമായ കേസ് സ്റ്റഡി പ്രസിദ്ധീകരിച്ചു, ഇത് നിങ്ങൾ ഞങ്ങളുടെ ആമുഖ നീതിമുറി പാഠത്തിൽ പഠിച്ചിട്ടുണ്ട്. Reference
റീട്ടെയിൽ മേഖലയ്ക്ക് ML ഉപയോഗിച്ച് ഉപഭോക്തൃ യാത്ര മെച്ചപ്പെടുത്തുന്നതിൽ നിന്നും ഇൻവെന്ററി സ്റ്റോക്കിംഗ് വരെ പലവിധം പ്രയോജനങ്ങൾ ഉണ്ട്.
വെയ്ഫെയർ, ഫർണിച്ചർ പോലുള്ള ഹോം ഗുഡ്സ് വിൽക്കുന്ന ഒരു കമ്പനി, ഉപഭോക്താക്കൾക്ക് അവരുടെ രുചിക്കും ആവശ്യങ്ങൾക്കും അനുയോജ്യമായ ഉൽപ്പന്നങ്ങൾ കണ്ടെത്താൻ സഹായിക്കുന്നത് അത്യന്താപേക്ഷിതമാണ്. ഈ ലേഖനത്തിൽ, കമ്പനിയിലെ എഞ്ചിനീയർമാർ ML, NLP ഉപയോഗിച്ച് "ഉപഭോക്താക്കൾക്ക് ശരിയായ ഫലങ്ങൾ കാണിക്കുന്നതെങ്ങനെ" എന്ന് വിവരിക്കുന്നു. പ്രത്യേകിച്ച്, അവരുടെ Query Intent Engine എന്റിറ്റി എക്സ്ട്രാക്ഷൻ, ക്ലാസിഫയർ പരിശീലനം, ആസറ്റ്, അഭിപ്രായം എക്സ്ട്രാക്ഷൻ, സെന്റിമെന്റ് ടാഗിംഗ് എന്നിവ ഉപഭോക്തൃ അവലോകനങ്ങളിൽ ഉപയോഗിക്കുന്നു. ഓൺലൈൻ റീട്ടെയിലിൽ NLP എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന് ഇത് ഒരു ക്ലാസിക് ഉദാഹരണമാണ്. Reference
StitchFix പോലുള്ള നവീനവും ചടുലവുമായ കമ്പനികൾ, ഉപഭോക്താക്കൾക്ക് വസ്ത്രങ്ങൾ അയക്കുന്ന ബോക്സ് സേവനം, ശുപാർശകൾക്കും ഇൻവെന്ററി മാനേജ്മെന്റിനും ML-നെ ആശ്രയിക്കുന്നു. അവരുടെ സ്റ്റൈലിംഗ് ടീമുകളും മാർച്ചൻഡൈസിംഗ് ടീമുകളും ചേർന്ന് പ്രവർത്തിക്കുന്നു: "ഞങ്ങളുടെ ഒരു ഡാറ്റാ സയന്റിസ്റ്റ് ഒരു ജെനറ്റിക് ആൽഗോരിതം ഉപയോഗിച്ച് വസ്ത്രങ്ങൾ പ്രവചിക്കാൻ ശ്രമിച്ചു, ഇന്ന് നിലവിലില്ലാത്ത വിജയകരമായ വസ്ത്രം എന്തായിരിക്കും എന്ന്. അത് മാർച്ചൻഡൈസ് ടീമിന് നൽകി, ഇപ്പോൾ അവർ അത് ഒരു ഉപകരണമായി ഉപയോഗിക്കാം." Reference
ആരോഗ്യ പരിചരണ മേഖല ഗവേഷണ പ്രവർത്തനങ്ങൾ മെച്ചപ്പെടുത്താനും രോഗികൾ വീണ്ടും പ്രവേശിപ്പിക്കുന്നതും രോഗങ്ങൾ പടരുന്നത് തടയുന്നതും പോലുള്ള ലജിസ്റ്റിക് പ്രശ്നങ്ങൾ പരിഹരിക്കാനും ML ഉപയോഗിക്കാം.
ക്ലിനിക്കൽ ട്രയലുകളിൽ വിഷാംശം ഒരു പ്രധാന ആശങ്കയാണ്. എത്രത്തോളം വിഷാംശം സഹിക്കാവുന്നതാണ്? ഈ പഠനത്തിൽ, വിവിധ ക്ലിനിക്കൽ ട്രയൽ രീതികൾ വിശകലനം ചെയ്ത് ക്ലിനിക്കൽ ട്രയൽ ഫലങ്ങളുടെ സാധ്യത പ്രവചിക്കുന്ന പുതിയ സമീപനം വികസിപ്പിച്ചു. പ്രത്യേകിച്ച്, അവർ റാൻഡം ഫോറസ്റ്റ് ഉപയോഗിച്ച് ക്ലാസിഫയർ നിർമ്മിക്കാൻ കഴിഞ്ഞു, ഇത് മരുന്നുകളുടെ ഗ്രൂപ്പുകൾ വേർതിരിക്കാൻ കഴിയും. Reference
ആശുപത്രി പരിചരണം ചെലവേറിയതാണ്, പ്രത്യേകിച്ച് രോഗികളെ വീണ്ടും പ്രവേശിപ്പിക്കേണ്ടിവരുമ്പോൾ. ഈ ലേഖനം ML ഉപയോഗിച്ച് വീണ്ടും പ്രവേശന സാധ്യത പ്രവചിക്കുന്ന ഒരു കമ്പനി ചർച്ച ചെയ്യുന്നു, ക്ലസ്റ്ററിംഗ് ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച്. ഈ ക്ലസ്റ്ററുകൾ വിശകലനക്കാർക്ക് "പുനഃപ്രവേശനങ്ങളുടെ സാധാരണ കാരണങ്ങൾ പങ്കിടുന്ന ഗ്രൂപ്പുകൾ കണ്ടെത്താൻ" സഹായിക്കുന്നു. Reference
സമീപകാല പാൻഡെമിക് മെഷീൻ ലേണിംഗ് രോഗം പടരുന്നത് തടയുന്നതിൽ എങ്ങനെ സഹായിക്കാമെന്ന് തെളിയിച്ചു. ഈ ലേഖനത്തിൽ ARIMA, ലോജിസ്റ്റിക് കർവുകൾ, ലിനിയർ റെഗ്രഷൻ, SARIMA എന്നിവയുടെ ഉപയോഗം കാണാം. "ഈ ജോലി വൈറസിന്റെ പടരൽ നിരക്ക് കണക്കാക്കാനും മരണങ്ങൾ, സുഖം പ്രാപിച്ച കേസുകൾ, സ്ഥിരീകരിച്ച കേസുകൾ പ്രവചിക്കാനും ശ്രമമാണ്, അതിലൂടെ നാം മെച്ചമായി തയ്യാറെടുക്കാനും ജീവിക്കാൻ സഹായിക്കും." Reference
പ്രകൃതി, പരിസ്ഥിതി നിരവധി സങ്കീർണ്ണമായ സംവിധാനങ്ങളടങ്ങിയതാണ്, മൃഗങ്ങളും പ്രകൃതിയും തമ്മിലുള്ള ബന്ധം ശ്രദ്ധയിൽ പെടുത്തുന്നു. ഈ സംവിധാനങ്ങൾ കൃത്യമായി അളക്കാനും, വന അഗ്നി പോലുള്ള സംഭവങ്ങൾ സംഭവിച്ചാൽ ശരിയായ നടപടി സ്വീകരിക്കാനും ഇത് അനിവാര്യമാണ്.
മുൻ പാഠങ്ങളിൽ നിങ്ങൾ റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് പഠിച്ചു. പ്രകൃതിയിലെ പാറ്റേണുകൾ പ്രവചിക്കാൻ ഇത് വളരെ ഉപകാരപ്രദമാണ്. പ്രത്യേകിച്ച്, വന അഗ്നി, അനധികൃത സ്പീഷീസുകളുടെ വ്യാപനം പോലുള്ള പരിസ്ഥിതി പ്രശ്നങ്ങൾ ട്രാക്ക് ചെയ്യാൻ ഇത് ഉപയോഗിക്കാം. കാനഡയിൽ, ഒരു ഗവേഷക സംഘം റീ ഇൻഫോഴ്സ്മെന്റ് ലേണിംഗ് ഉപയോഗിച്ച് സാറ്റലൈറ്റ് ചിത്രങ്ങളിൽ നിന്ന് വന അഗ്നി ഡൈനാമിക്സ് മോഡലുകൾ നിർമ്മിച്ചു. "സ്പേഷ്യലി സ്പ്രെഡിംഗ് പ്രോസസ് (SSP)" എന്ന നവീന രീതിയിൽ, വന അഗ്നിയെ "ഭൂദൃശ്യത്തിലെ ഏതെങ്കിലും സെല്ലിലെ ഏജന്റ്" ആയി കണക്കാക്കി. "അഗ്നി ഏതെങ്കിലും സമയത്ത് ഒരു സ്ഥലം മുതൽ വടക്ക്, തെക്ക്, കിഴക്ക്, പടിഞ്ഞാറ് വ്യാപിക്കുകയോ അല്ലെങ്കിൽ വ്യാപിക്കാതിരിക്കാൻ കഴിയും."
ഈ സമീപനം സാധാരണ RL ക്രമീകരണത്തെ മറിക്കുന്നു, കാരണം ബന്ധപ്പെട്ട മാർക്കോവ് ഡിസിഷൻ പ്രോസസിന്റെ (MDP) ഡൈനാമിക്സ് ഉടൻ അഗ്നി വ്യാപനത്തിന് അറിയപ്പെടുന്ന ഫംഗ്ഷനാണ്." ഈ സംഘത്തിന്റെ ക്ലാസിക് ആൽഗോരിതങ്ങൾക്കുറിച്ച് കൂടുതൽ വായിക്കുക. Reference
ദൃശ്യപരമായി മൃഗങ്ങളുടെ ചലനങ്ങൾ ട്രാക്ക് ചെയ്യുന്നതിൽ ഡീപ് ലേണിംഗ് വിപ്ലവം സൃഷ്ടിച്ചിട്ടുണ്ടെങ്കിലും (നിങ്ങൾക്ക് നിങ്ങളുടെ സ്വന്തം പോളാർ ബിയർ ട്രാക്കർ ഇവിടെ നിർമ്മിക്കാം), ക്ലാസിക് ML ഈ പ്രവർത്തനത്തിൽ ഇപ്പോഴും സ്ഥാനം ഉണ്ട്.
കൃഷി മൃഗങ്ങളുടെ ചലനങ്ങൾ ട്രാക്ക് ചെയ്യാനും IoT-ഉം ഈ തരം ദൃശ്യ പ്രോസസ്സിംഗ് ഉപയോഗിക്കുന്നു, എന്നാൽ കൂടുതൽ അടിസ്ഥാന ML സാങ്കേതികതകൾ ഡാറ്റ പ്രീപ്രോസസ്സിംഗിന് ഉപകാരപ്രദമാണ്. ഉദാഹരണത്തിന്, ഈ ലേഖനത്തിൽ, മടിയൻ നിലപാടുകൾ വിവിധ ക്ലാസിഫയർ ആൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് നിരീക്ഷിക്കുകയും വിശകലനം ചെയ്യുകയും ചെയ്തു. പേജ് 335-ൽ ROC കർവ് നിങ്ങൾക്ക് പരിചിതമായിരിക്കാം. Reference
ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് പാഠങ്ങളിൽ, ഒരു പട്ടണത്തിന് സപ്ലൈ-ഡിമാൻഡ് മനസ്സിലാക്കി വരുമാനം സൃഷ്ടിക്കാൻ സ്മാർട്ട് പാർക്കിംഗ് മീറ്ററുകളുടെ ആശയം അവതരിപ്പിച്ചു. ഈ ലേഖനം ക്ലസ്റ്ററിംഗ്, റെഗ്രഷൻ, ടൈം സീരീസ് ഫോറ്കാസ്റ്റിംഗ് എന്നിവ ചേർന്ന് അയർലൻഡിലെ ഭാവി ഊർജ്ജ ഉപയോഗം പ്രവചിക്കാൻ എങ്ങനെ സഹായിച്ചുവെന്ന് വിശദീകരിക്കുന്നു, സ്മാർട്ട് മീറ്ററിംഗ് അടിസ്ഥാനമാക്കി. Reference
ഇൻഷുറൻസ് മേഖലയിലും ML ഉപയോഗിച്ച് സാമ്പത്തികവും ആക്ച്വറിയൽ മോഡലുകളും നിർമ്മിച്ച് മെച്ചപ്പെടുത്തുന്നു.
MetLife, ഒരു ലൈഫ് ഇൻഷുറൻസ് പ്രൊവൈഡർ, അവരുടെ സാമ്പത്തിക മോഡലുകളിൽ വോലറ്റിലിറ്റി വിശകലനം ചെയ്ത് കുറയ്ക്കുന്നതിൽ തുറന്നുപറയുന്നു. ഈ ലേഖനത്തിൽ ബൈനറി, ഓർഡിനൽ ക്ലാസിഫിക്കേഷൻ ദൃശ്യവത്കരണങ്ങളും ഫോറ്കാസ്റ്റിംഗ് ദൃശ്യവത്കരണങ്ങളും കാണാം. Reference
കലാരംഗത്ത്, ഉദാഹരണത്തിന് പത്രപ്രവർത്തനത്തിൽ, നിരവധി രസകരമായ പ്രശ്നങ്ങൾ ഉണ്ട്. വ്യാജ വാർത്തകൾ കണ്ടെത്തൽ വലിയ പ്രശ്നമാണ്, കാരണം ഇത് ജനങ്ങളുടെ അഭിപ്രായത്തെ സ്വാധീനിക്കുകയും ജനാധിപത്യങ്ങളെ തകർക്കുകയും ചെയ്തിട്ടുണ്ട്. മ്യൂസിയങ്ങൾക്കും കലാസാഹിത്യ വസ്തുക്കൾ തമ്മിലുള്ള ബന്ധം കണ്ടെത്തുന്നതിൽ നിന്നും വിഭവങ്ങൾ പദ്ധതിയിടുന്നതിൽ വരെ ML ഉപകാരപ്രദമാണ്.
ഇന്നത്തെ മാധ്യമങ്ങളിൽ വ്യാജ വാർത്ത കണ്ടെത്തൽ ഒരു പൂച്ചയും എലിയും കളിയാകുന്നു. ഈ ലേഖനത്തിൽ, പഠനക്കാർ നാം പഠിച്ച ML സാങ്കേതികതകൾ ഒന്നിച്ച് ചേർത്ത് ഒരു സിസ്റ്റം പരീക്ഷിച്ച് മികച്ച മോഡൽ വിനിയോഗിക്കാമെന്ന് നിർദ്ദേശിക്കുന്നു: "ഈ സിസ്റ്റം നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് ഉപയോഗിച്ച് ഡാറ്റയിൽ നിന്ന് ഫീച്ചറുകൾ എടുക്കുന്നു, പിന്നീട് ഈ ഫീച്ചറുകൾ Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD), Logistic Regression (LR) പോലുള്ള മെഷീൻ ലേണിംഗ് ക്ലാസിഫയർ പരിശീലനത്തിന് ഉപയോഗിക്കുന്നു." Reference
ഈ ലേഖനം വ്യത്യസ്ത ML മേഖലകൾ ചേർത്ത് വ്യാജ വാർത്ത പടരുന്നത് തടയാനും യഥാർത്ഥ നാശം ഉണ്ടാകുന്നത് തടയാനും സഹായിക്കുന്ന രസകരമായ ഫലങ്ങൾ ഉണ്ടാകാമെന്ന് കാണിക്കുന്നു; ഈ കേസിൽ COVID ചികിത്സകളെക്കുറിച്ചുള്ള ചർച്ചകൾ ജനകീയ അക്രമം പ്രേരിപ്പിച്ചതാണ്.
മ്യൂസിയങ്ങൾ AI വിപ്ലവത്തിന്റെ കിഴക്കൻ വശത്ത് നിൽക്കുന്നു, ശേഖരങ്ങൾ കാറ്റലോഗ് ചെയ്യാനും ഡിജിറ്റൈസ് ചെയ്യാനും കലാസാഹിത്യ വസ്തുക്കൾ തമ്മിലുള്ള ബന്ധം കണ്ടെത്താനും സാങ്കേതികവിദ്യ മുന്നേറുന്നു. In Codice Ratio പോലുള്ള പ്രോജക്ടുകൾ വാറ്റിക്കൻ ആർക്കൈവ്സ് പോലുള്ള പ്രാപ്യമല്ലാത്ത ശേഖരങ്ങളുടെ രഹസ്യങ്ങൾ തുറക്കാൻ സഹായിക്കുന്നു. എന്നാൽ, മ്യൂസിയങ്ങളുടെ ബിസിനസ് ഭാഗവും ML മോഡലുകളിൽ നിന്നു പ്രയോജനം നേടുന്നു.
ഉദാഹരണത്തിന്, ചിക്കാഗോ ആർട്ട് ഇൻസ്റ്റിറ്റ്യൂട്ട് പ്രേക്ഷകർക്ക് എന്തിൽ താൽപ്പര്യമുണ്ടെന്നും അവർ എപ്പോൾ പ്രദർശനങ്ങളിൽ പങ്കെടുക്കുമെന്നും പ്രവചിക്കുന്ന മോഡലുകൾ നിർമ്മിച്ചു. ലക്ഷ്യം ഓരോ സന്ദർശനത്തിലും വ്യക്തിഗതവും മെച്ചപ്പെട്ടതുമായ സന്ദർശക അനുഭവങ്ങൾ സൃഷ്ടിക്കുകയാണ്. "2017 സാമ്പത്തിക വർഷത്തിൽ, മോഡൽ 1 ശതമാനത്തിന്റെ കൃത്യതയിൽ ഹാജരാകലും പ്രവേശനവും പ്രവചിച്ചു," എന്ന് ആൻഡ്രൂ സിമ്നിക്ക്, ചിക്കാഗോ ആർട്ട് ഇൻസ്റ്റിറ്റ്യൂട്ടിലെ സീനിയർ വൈസ് പ്രസിഡന്റ് പറയുന്നു. Reference
മികച്ച മാർക്കറ്റിംഗ് തന്ത്രങ്ങൾ വിവിധ ഗ്രൂപ്പുകളെ അടിസ്ഥാനമാക്കി ഉപഭോക്താക്കളെ വ്യത്യസ്തമായി ലക്ഷ്യമിടുന്നു. ഈ ലേഖനത്തിൽ ക്ലസ്റ്ററിംഗ് ആൽഗോരിതങ്ങളുടെ ഉപയോഗം വ്യത്യസ്തമായ മാർക്കറ്റിംഗ് പിന്തുണയ്ക്കാൻ ചർച്ച ചെയ്യുന്നു. വ്യത്യസ്തമായ മാർക്കറ്റിംഗ് കമ്പനികൾക്ക് ബ്രാൻഡ് തിരിച്ചറിയൽ മെച്ചപ്പെടുത്താനും കൂടുതൽ ഉപഭോക്താക്കളെ എത്താനും കൂടുതൽ വരുമാനം നേടാനും സഹായിക്കുന്നു. Reference
ഈ പാഠ്യപദ്ധതിയിൽ നിങ്ങൾ പഠിച്ച ചില സാങ്കേതികതകൾ പ്രയോജനപ്പെടുത്തുന്ന മറ്റൊരു മേഖലയെ കണ്ടെത്തി, അതിൽ ML എങ്ങനെ ഉപയോഗിക്കുന്നു എന്ന് കണ്ടെത്തുക.
വേഫെയർ ഡാറ്റ സയൻസ് ടീം അവരുടെ കമ്പനിയിൽ എങ്ങനെ ML ഉപയോഗിക്കുന്നു എന്നതിനെക്കുറിച്ച് പല രസകരമായ വീഡിയോകളും ഉണ്ട്. ഒരു നോക്കുക ചെയ്യുന്നത് മൂല്യവത്താണ്!
അസൂയാപത്രം:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കപ്പെടണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.