Zusammenfassung der Ressource
MACHINE LEARNING
- Aprendizaje Supervisado
- Los datos están
pre-categorizados o
numéricos
- Encuentra patrones (desarrolla
modelos predictivos) utilizando
tanto datos de entrada como datos
de salida. Todas las técnicas de
aprendizaje supervisado forman
parte de una clasificación o
regresión
- Predice una categoría
- CLASIFICACIÓN
- Predice un número
- REGRESIÓN
- Decision Tree
- Comprender los
atributos del
producto que hacen
que un producto sea
más probable que se
compre
- Proporcionar un
marco de
decisión para la
contratación de
nuevos
empleados
- Regresión logística
- Clasifique a los clientes
según la probabilidad de
que paguen
- Regresión Lineal
- Optimice los
precios y
estime
elasticidad
precio
- Comprender los
impulsores de ventas de
productos como como
precios de competencia,
distribución, publicidad,
etc.
- Gradient-Boosting-Trees
- Pronosticar la
demanda del
producto y
niveles de
inventario
- Bosques Aleatorios
- Predecir el volumen de
llamadas en centros de
llamadas para decisiones
de personal
- Aprendizaje No Supervisado
- Los datos no
están
etiquetados de
ninguna manera
- Clustering
- K-means
clustering
- Segmentar
clientes en
grupos por
características
diferentes
- Hierarchical
Clustering
- Agrupe a los
clientes de tarjeta
de fidelidad en
grupos
progresivamente
más segmentados
- Reducción Dimensión
- Si queremos predecir las ventas
de una tienda minorista para
un artículo en particular. Las
características de entrada
utilizadas para la predicción son
cifras de ventas, cambios
minoristas del artículo,
movimiento de inventario,
detalles de la tienda, venta
minorista de la competencia,
demografía del cliente e
información del cliente como
dirección, código postal, etc.
- Encuentra patrones
basados solo en datos
de entrada. Esta
técnica es útil cuando
no estás seguro de
qué buscar