聊聊机器学习的概念和应用场景

Posted 2021-04-27 数据分析与人工智能

人工智能 (Artificial Intelligence)泛指模仿人类智能或思考方法的计算机系统。 目前，人工智能在绝大多数情况下是以 机器学习 的(Machine Learning)方法应用在商业实践中的。IT DA团队致力于向用户提供可靠的机器学习运行环境与解决方案。

 

如今，机器学习已经不仅仅是一个技术热词，也是人们生活的 新常态 ，更是企业维持其 竞争优势 的重要工具。无论你是观看一集影视剧，或是在线购买一样商品，机器学习都在背后发挥着重要作用。而在企业竞争中，机器学习的自动化运行模式、高效的计算方式、富有指导意义的结果，更是大幅度地提升了企业的 决策效率 与 运营效率 。

那么你能用机器学习做些什么呢？ 机器学习已经在商业领域得到了广泛的应用，支持着企业的各类业务目标与应用场景，主要包括：异常检测、动态定价、图像识别、推荐系统、预测性分析、客户流失建模、客户终身价值建模等方面。

什么是机器学习

“机器学习算法是驱动机器学习的引擎”

目前常用的机器学习算法主要包括 监督学习、无监督学习 。监督学习要求计算机处理 给定输出 数据；无监督学习处理的是 未给定输出 的数据。

1. 监督机器学习

   Supervised Machine Learning

监督学习 指的是计算机从 有标记的训练数据 中学习一种模式（函数），并用该模式来 预测新的数据 。

使用者首先告诉算法它需要得出什么样的结论、输出什么样的结果，然后算法将学习数据来尝试得出最好的解决方法。 监督学习就像是员工通过阅读物料画册来记住每种物料的特点，学习如何分辨物料。

常用的监督学习算法包括 线性回归、逻辑回归、支持向量机、决策树 等。

监督学习示意图

2. 无监督机器学习

   Unsupervised Machine Learning

无监督学习 指的是计算机根据 没有标记的数据 进行训练，并探索数据的 隐藏模式 。

在这个过程中，使用者事先 不会给计算机设定目标 ，而是让计算机自己从数据中挖掘隐藏的模式或者对数据进行分组。显然，这类任务中，计算机 的处理更加独立 ，但这也意味着我们 无法量化结果的有效性 。

继续用物料的清单作为例子，无监督学习类似于在没有准确的物料清单的情况下，员工通过观察零部件的形状、大小、图案来识别分辨零部件。员工需要比对不同部件之间的相似性来进行分组，并为每个小组分配新的标签。尽管上述场景在现实中不那么常见，但无监督学习的逻辑在用户分类等领域表现出显著的实用性。

常见的无监督学习算法包括 K聚类法 和 主成分分析法 。

 

无监督学习示意图

应用案例

在中，我们为大家介绍了8个西门子优秀的数据分析应用案例。接下来，我们将通过其中的 “低压发动机预测性分析” 及 “THT板自动光学检查” 两个案例来介绍机器学习在西门子工厂的具体应用场景。

 

1.低压发动机预测性分析

Predictive Analytics for Low  Voltage Motors 

机器学习强大的 预测能力 将帮助企业作出富有前瞻性的 主动决策 ，而不是基于历史数据进行简单的预测或者消极地响应市场变化。

 

例如，应用机器学习对低压发动机提供维保预测分析。通过预测发动机的运行状况与停机时间，工厂能提前了解低压发动机的维修需求，并预先订购维修所需的零部件、制定维修计划，来更好地提供维修服务。这种方法不仅提高了生产率，还改善了工厂内部的资源配置状况，并更好地服务用户。

项目介绍（1）

2. THT板光学检查

THT: Through Hole Technology - status

机器学习的 图像识别能力 在各种领域有着巨大的应用潜力，可以 高速地识别图像的信息 ，以完成错误识别、疾病诊断等任务。

 

例如，西门子基于机器学习与计算机视觉的自动光学检查项目。机器在装配工作区直接拍摄并分析THT板的图片。计算机能够通过判断组件位置来纠正早期装配过程的错误。组装人员可以更快速地发现装配错误，并进行纠正，这可以极大地节省生产成本。

项目介绍（2）

 

我们将在之后的文章中进一步介绍机器学习的应用场景，敬请期待我们的下一篇推文！

THE END

Data AnalytIcs

欢迎后台留言

和“在看”的你一起改变未来