Introduction to Machine Learning

Introduction to Machine Learning
Dmitry Petukhov,
Machine Learning Consultant, Microsoft Most Valuable AI Professional
&& Coffee Addicted
#AI #MachineLearning

AI vs ML vs DL
Artificial Intelligence
Machine Learning
Deep Learning
Source: deeplearningbook.org

AI: Current State
Picture credit: McKinsey&Company, 2017

Credit Portfolio Risk
Personalized
Product Offering
Real-timeBatch Processing
Processing Speed
Volume
Pbytes
Tbytes
Gbytes
Structured
data
Semi-structured
Unstructured
Customer Loyalty &
Marketing
Fraud Detection &
Security
Credit Scoring
Compliance &
Regulatory Reporting
Operational Efficiencies
Customer Segmentation
Voice identity, Chat-bots,
Person Financial Manager
Anti money laundering
AI: Retail Banking Cases
Brand Sentiment
Analysis
Social Network Analysis

Picture credit: slideshare.net
AI: How it works?

Разделы машинного обучения
Типовые ML-задачи:
 Обучение с учителем (supervised learning)
 Обучение без учителя (unsupervised learning)
 Обучение с частичным привлечением учителя (semi-supervised learning)
 Обучение с подкреплением (reinforcement learning)
Picture credit: lakshaysuri.wordpress.com

Классы алгоритмов

Picture credit: towardsdatascience.com
Обучение с учителем
 Классификация (classification)
 Логистическая регрессия
 Деревья решений
 Ансамбли деревьев
 Нейросети
 Машина опорных векторов
 k-NN
 ...
 Регрессия (regression)
 Линейная регрессия
 Деревья решений
 Ансамбли деревьев
 Нейросети
 ...
 Кластеризация (clustering)
 Уменьшение размерности (dimensionality reduction)
 Обучение с частичным привлечением учителя
(semi-supervised learning)

Linear Regression vs SVM vs Trees
Linear regression
Support Vector Machine
Decision Trees

Find Neural Network

Оценка модели: регрессия
Pictures credit: wikipedia.org

Оценка модели: классификация
Pictures credit: wikipedia.org
True-positive, TP — пациент болен раком, диагноз положительный.
False-positive, FP — пациент здоров, диагноз положительный.
True-negative, TN — пациент здоров, диагноз отрицательный.
False-negative, FN — пациент болен раком, диагноз отрицательный.
Accuracy (аккуратность) — процент верных предсказаний.
Recall (полнота) — процент больных, которых мы нашли, из всех больных.
Precision (точность) — процент здоровых из тех, кого мы определили, как больного.
F-score (F-мера) — гармоническое среднее Precision и Recall.

Обучение без учителя
 Классификация (classification)
 Регрессия (regression)
 Кластеризация (clustering)
 K-means (K-means++, K-means||)
 Иерархическая кластеризация
 Кластеризация на основе распределений (EM-алгоритм)
 Кластеризация на основе плотности (DBSCAN)
 …
 Уменьшение размерности (dimensionality reduction)
 Метод главных компонент (PCA)
 Метод независимых компонент (ICA)
 t-distributed stochastic neighbor embedding (t-SNE)
 Автоэнкодеры
 …
 Обучение с частичным привлечением учителя
(semi-supervised learning)
Pictures credit: scikit-learn.sourceforge.net and visiondummy.com

Как выбрать?
Важны:
Обучающаяся выборка:
 количество наблюдений;
 количество признаков.
Признаки:
 наличие выбросов;
 наличие пропущенных значений;
 характер распределения;
 необходимость нормализации;
 мультиколлинеарность признаков.
Целевая переменная:
 линейная разделимость классов;
 возможность экстраполировать.
Модель:
 интерпретируемость;
 скорость обучения.

Picture credit: www.azure.com/ai
Microsoft AI Platform
…or Amazon Web Services, Google Cloud Platform, Яндекс.Облако

Data Azure Machine Learning Consumers
Cloud storage
Business problem Modeling Business valueDeployment
Model
REST API
Manage
Local storage
Source: Microsoft Data Amp 2017
ML Studio
Web IDE + ML runtime
ML Web Services
ML-model publication
Azure AI Gallery
Data
Experiment

Demo
library(Quandl)
library(dplyr)
library(forecast)
dt <- Quandl("BCHARTS/BITBAYUSD", api_key = ******) %>%
select(Date, Close)
dt.train <- dt %>% filter(Date < max(Date) - months(3))
dt.test <- dt %>% filter(Date > max(dt.train$Date))
timeseries <- ts(dt.train$Close, frequency = 1)
model <- ets(timeseries)

© 2018, Dmitry Petukhov. CC BY-SA 4.0 license. Microsoft and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries.
Thank you!

Download presentation from
http://0xcode.in/machine-learning-intro or
Q&A
Now or later (see contacts below)
Stay connected
Befriend at the Facebook/@codezombie
Read me at the Habr/@codezombie
All contacts on http://0xCode.in/@codez0mb1e

Introduction to Machine Learning

More Related Content

More from Dmitry Petukhov (12)

Introduction to Machine Learning

Editor's Notes