Машинне навчання
Машинне навчання - це концепція, за допомогою якої комп'ютерна програма може навчитися та адаптуватися до нових даних без втручання людини. Машинне навчання - це сфера штучного інтелекту (AI), яка підтримує вбудовані алгоритми комп'ютера поточними незалежно від змін у світовій економіці.
Пояснення машинного навчання
Різні галузі економіки мають справу з величезною кількістю даних, доступних у різних форматах з різних джерел. Величезна кількість даних, відома як великі дані, стає легко доступною та доступною завдяки прогресивному використанню технології. Компанії та уряди усвідомлюють величезну інформацію, яку можна отримати, використовуючи великі дані, але не вистачає ресурсів і часу, необхідного для боротьби з багатством інформації. Таким чином, в різних галузях промисловості застосовуються заходи штучного інтелекту для збору, обробки, спілкування та обміну корисною інформацією з наборів даних. Одним із методів ШІ, який все більше використовується для обробки великих даних, є машинне навчання.
Приклади машинного навчання
Різні програми даних машинного навчання формуються за допомогою складного алгоритму або вихідного коду, вбудованого в машину чи комп'ютер. Цей код програмування створює модель, яка ідентифікує дані та будує прогнози навколо даних, які він ідентифікує. Модель використовує параметри, вбудовані в алгоритм, для формування шаблонів для процесу прийняття рішень. Коли нові або додаткові дані стають доступними, алгоритм автоматично підлаштовує параметри, щоб перевірити на зміну шаблону, якщо така є. Однак модель не повинна змінюватися.
Машинне навчання застосовується в різних секторах з різних причин. Торгові системи можуть бути калібровані для виявлення нових інвестиційних можливостей. Платформи маркетингу та електронної комерції можна налаштувати для надання точних та персоналізованих рекомендацій своїм користувачам на основі історії пошуку користувачів в Інтернеті або попередніх транзакцій. Кредитні установи можуть включати машинне навчання для прогнозування поганих позик та побудови моделі кредитного ризику. Інформаційні центри можуть використовувати машинне навчання для висвітлення величезної кількості новин з усіх куточків світу. Банки можуть створювати інструменти виявлення шахрайства за допомогою машинного навчання. Включення машинного навчання в епоху, що сприймає цифрові знання, нескінченна, оскільки підприємства та уряди все більше усвідомлюють можливості, які представляють великі дані.
Як працює машинне навчання
Як працює машинне навчання, можна краще пояснити ілюстрацією у фінансовому світі. Традиційно інвестиційні гравці на ринку цінних паперів, такі як фінансові дослідники, аналітики, менеджери з активів, окремі інвестори, переглядають багато інформації різних компаній у всьому світі для прийняття вигідних інвестиційних рішень. Однак деяка відповідна інформація може не широко оприлюднюватися засобами масової інформації та може бути прихованою лише для кількох вибраних осіб, які мають перевагу бути працівниками компанії або мешканцями країни, з якої походить інформація. Крім того, існує лише стільки інформації, яку люди можуть зібрати та обробити протягом заданих часових рамків. Ось тут і відбувається машинне навчання.
Фірма з управління активами може використовувати машинне навчання у сфері інвестиційного аналізу та досліджень. Скажімо, менеджер з активів інвестує лише у видобувні запаси. Вбудована в систему модель сканує Інтернет та збирає всі типи новинних подій від підприємств, галузей, міст та країн, і ця зібрана інформація складає набір даних. Керівники активів та дослідники фірми не змогли б отримати інформацію в наборі даних, використовуючи свої людські сили та інтелект. Параметри, побудовані поряд із моделлю, витягують із набору даних лише дані про гірничодобувні компанії, регуляторну політику щодо галузі розвідки та політичні події в окремих країнах. Скажімо, гірнича компанія XYZ щойно відкрила алмазну шахту в маленькому містечку в Південній Африці, додаток машинного навчання виділить це як відповідні дані. Потім модель може використовувати інструмент аналітики, який називається прогнозованою аналітикою, для прогнозування того, чи буде видобувна галузь прибутковою протягом певного періоду, або які шахтні запаси, ймовірно, збільшуватимуться в певний час. Ця інформація передається менеджеру активів для аналізу та прийняття рішення щодо його портфеля. Керівник активів може прийняти рішення про вкладення мільйонів доларів у акції XYZ.
Після несприятливих подій, таких як шахтарі Південної Африки, що страйкують, комп'ютерний алгоритм автоматично коригує свої параметри для створення нового шаблону. Таким чином, обчислювальна модель, вбудована в машину, залишається актуальною навіть при змінах світових подій і не потребує того, щоб людина змінює свій код, щоб відобразити зміни. Оскільки менеджер активів отримав ці нові дані вчасно, вони можуть обмежити його збитки, виходячи з акцій.
Порівняйте інвестиційні рахунки Ім’я постачальника Опис Розкриття рекламодавця × Пропозиції, що з’являються в цій таблиці, є партнерствами, від яких Investopedia отримує компенсацію.