obsidian-life/Машинное обучение. Сценарии применения.md

Общие сценарии применения Машинного Обучения

Машинное обучение подходит для:

• Задач. для которых существующие решения требуют большого объема тонкой настройки или длинных списков правил — один алгоритм Машинное обучение часто способен упростить код и выполняться лучше, чем традиционный детерминированный подход.
• Сложных задач, для которых традиционный подход не дает пригодного решения — лучшие приёмы Машинное обучение вполне вероятно сумеют найти решение.
• Изменяющихся сред — система Машинное обучение способно адаптироваться к новым данным.
• Получения сведений о сложных задачах и крупных объёмах данных.

Конкретные сценарии применения с указанием подразделов Машинног Обучения, используемых для их решения

• Анализ изображений товаров на производственной линии для их автматической классификации
  1. Машинное обучение. Классификация изображений. Обычно используются Машинное обучение. Свёрточные нейронные сети.
• Обнаружение опухолей при сканировании мозга
  1. Машинное обучение. Семантическая сегментация. Обычно используются Машинное обучение. Свёрточные нейронные сети.
• Автоматическая классификация новых статей
  1. Машинное обучение. Natural Language Processing и, в особенности, Машинное обучение. Классификация текста. Используются Машинное обучение. Рекуррентные нейронные сети, Машинное обучение. Свёрточные нейронные сети или Машинное обучение. Transformers.
• Автоматическая пометка оскорбительных комментариев
  1. Машинное обучение. Классификация текста. Используются инструменты Машинное обучение. Natural Language Processing.
• Автоматическое формирование резюме для длинных документов
  1. (Ветвь Машинное обучение. Natural Language Processing) Машинное обучение. Реферирование текста.
• Создание чатбота или личного секретаря
  1. (Ветвь Машинное обучение. Natural Language Processing) Машинное обучение. Natural Language Understanding и Машинное обучение. Natural Language Generation
• Прогнозирование будущего дохода компании на основе множества показателей эффективности
  1. Задача Машинное обучение. Регрессия. Используются: Машинное обучение. Линейная регрессионная модель, Машинное обучение. Полиномиальная регрессионная модель, Машинное обучение. Регрессия методом опорных векторов, Машинное обучение. Регрессия на основе случайного дерева, Машинное обучение. Нейронная сеть, Машинное обучение. Рекуррентные нейронные сети, Машинное обучение. Свёрточные нейронные сети, Машинное обучение. Transformers.
• Добавление к приложению реагирования на голосовые команды
  1. Машинное обучение. Распознавание речи. Используются Машинное обучение. Рекуррентные нейронные сети, Машинное обучение. Свёрточные нейронные сети или Машинное обучение. Transformers.
• Обнаружение мошенничества с кредитными картами
  1. Машинное обучение. Обнаружение аномалий
• Сегментирование клиентов на основе их покупок, чтобы для каждого сегмента можно было спланировать отличающуюся маркетинговую стратегию
  1. Машинное обучение. Кластеризация.
• Представление сложного, многомерного набора данных на ясной диаграмме, отражающей суть
  1. Python. Визуализация данных. Частно используется методики Машинное обучение. Понижение размерности.
• Рекомендация товара, который может заинтересовать клиента, на основе прошлых покупок
  1. Машинное обучение. рекомендательные системы. Используются Машинное обучение. Нейронная сеть .
• Создание интеллектуального бота для игры
  1. Машинное обучение. Обучение с подкреплением.