数据科学与机器学习
让电脑从数据中学习以改变您的业务
我们正处于人类历史发展的那一阶段?
现今我们可以随时随地通过移动设备进行网络连接。这为人们共享信息，交流思想，甚至以协作方式通过社交媒体管理项目，提供了基础。几乎所有形式的数据都可以转换为数字格式，将它们储存在云储存中并通过高速网络进行交换变得可行。我们目前正处于数字化大时代。
数字化时代的特征
在过去的数十年时间，电脑的处理能力已经被大大提高，从手提式电脑到云端电脑, 以致量子电脑。一台电脑可以有形的，亦可以是虚拟的。虚拟电脑是基于云端技术，并且比以往任何时候的功能都强大。除了处理能力之外，用于电脑的云储存正走向无限，成本亦为大众所负担得起。使用光纤传输介质，用于数据传输的带宽可以以很高的速度传输大量数据。在数字化时代，人们可以随时随地进行大量并高速的电脑运算。
大数据来自哪里?
每天都有大量数据产生。数据来源来自企业，政府，学校和个人。它们统称为“大数据”。大数据的来源来自：
- 来自政府的公开数据
- 来自社交媒体网站的对话
- 电邮
- 即时消息
- 客户资料
- 共享公司数据
- 感测器
- 摄影机
- 可穿戴设备
- 全球定位系统
什么是数据科学？
数据科学是通过可视化，数据挖掘，模式识别和机器学习来理解大数据的学科。通过理解大数据，您可以洞悉特定情况。洞察力对于做出正确的决定甚至预测至关重要。例如，通过分析客户的购买行为，您可以更好地控制库存或提供客户所需的服务。实际上，数据科学不是建基于非常先进的技术。相反，它是建基于统计学和数学。换句话说，用统计学和数学理论处理大量数据是数据科学的核心。以下是典型的数据科学处理过程。
什么是机器学习？
机器学习是数据科学的主要主题。机器学习有两种，即监督学习和无监督学习。机器学习的主要功能是分类（例如：决定是否向客户授予贷款），回归（例如：销售预测）和聚类（例如：将客户分组）。主要应用之一是预测分析。
传统编程与机器学习
要了解机器学习的工作原理，最重要的是找出它与传统编程的区别。多年来，使用传统编程，我们将数据输入程序，然后获得程序生成的结果。但是，通过机器学习，我们不会首先开发程序。相反，我们收集一些历史数据及其相应的结果（例如，什么样的客户购买什么样的产品）。然后可以通过使用特定的机器学习功能（例如聚类）来生成模型。通过使用生成的模型，可以预测未来的购买行为。基于这种预测分析，可以高度准确地做出决策。
例子 — 物业价格预测
这是用于预测分析的用例。房地产价格取决于许多因素。这些因素可以是位置，年龄，交通等。通过收集那些因素和相应的房地产价格，可以生成用于预测房地产价格的模型。这意味着任何人都可以根据当前因素来预测财产的价格，以馈入由机器学习生成的模型。
另一個例子 — 發放貸款
这是机器学习的另一个例子。要建立模型来预测是否向客户授予贷款，您需要从银行的数据库中提取一些有关其贷款历史的历史数据。您将提取什么数据？您可以考虑从每个申请人那里收集以下数据（属性）。可以通过应用正确的机器学习算法来生成模型。一旦模型可以使用，您就可以根据申请人提交的同一组数据（属性）轻松决定是否授予贷款。您可能会问这种预测是否正确。其准确性取决于所选择的算法和所收集数据的质量。至少人类的判断可以得到预测的补充。
预测分析
预测分析涉及两个主要部分。第一部分是将一些训练数据提供给用于生成模型的机器算法。第二部分是将新数据提供给模型以生成结果。下图显示了整个过程。
机器学习 — 应用
机器学习在商业世界中变得越来越流行。它改变了企业的营运和管理方式。以下是一些主要应用：
- 价格预测：根据历史销售记录预测最佳价格
- 风险评估：预测与诸如发放贷款等决策相关的风险
- 倾向建模：根据历史行为预测未来的客户行为
- 医疗诊断：通过利用大量历史案例来更好地进行医疗诊断
- 文件分类：自动将文件分类为不同类别
- 推荐系统：依靠顾客喜欢的物品的属性，发现顾客还喜欢什么
- 销售预测：根据已采取的措施估算未来的销售量
在组织中应用机器学习的步骤
- 有哪些业务问题？
a. 如何获得新客户？
b. 如何销售更多产品/服务？
c. 如何提高流程效率？
d. 客戶細分 - 寻找相应的数据源
a. 内部数据（如果没有，请制定计划以不断收集它）
b. 外部资料 - 机器学习可以通过哪些方式帮助解决业务问题？
a. 选择正确的机器学习模型
b. 评价
c. 部署方式
I hope you’re enjoying my articles on Medium. If you find them helpful, informative, or just plain entertaining, please consider supporting me through Buy Me a Coffee.
别忘了给我您的👏！
