Data science

การเพิ่มประสิทธิภาพทางคณิตศาสตร์: เทคโนโลยีการวิเคราะห์เชิงกำหนดที่มีประสิทธิภาพซึ่งอยู่ในกล่องเครื่องมือวิทยาศาสตร์ข้อมูลของคุณ

ในคุณสมบัติพิเศษของแขกรับเชิญนี้ Dr. Gregory Glockner รองประธานและเพื่อนร่วมงานด้านเทคนิคของ Gurobi อธิบายวิธีที่คุณสามารถเริ่มต้นโดยใช้การปรับให้เหมาะสมทางคณิตศาสตร์และให้ตัวอย่างว่าเทคโนโลยีการวิเคราะห์ที่กำหนดล่วงหน้านี้สามารถรวมเข้ากับการเรียนรู้ของเครื่องเพื่อมอบผลประโยชน์ทางธุรกิจได้อย่างไร อุตสาหกรรม ก่อนร่วมงานกับ Gurobi ใน 2009 Dr. Glockner เป็นหุ้นส่วนและประธานเจ้าหน้าที่ฝ่ายปฏิบัติการของ Dwaffler ผู้ให้บริการเครื่องมือวิเคราะห์การตัดสินใจ Dr. Glockner ได้รับเกียรตินิยมอันดับสองจากมหาวิทยาลัยเยล สาขาคณิตศาสตร์ประยุกต์และดนตรี และปริญญาโทและปริญญาเอก ในการวิจัยการดำเนินงานจากสถาบันเทคโนโลยีจอร์เจีย เขาได้ฝึกอบรมผู้ใช้ซอฟต์แวร์เพิ่มประสิทธิภาพในบราซิล ฮ่องกง ญี่ปุ่น สิงคโปร์ เกาหลีใต้ และทั่วสหรัฐอเมริกาและแคนาดา เขาเป็นผู้เชี่ยวชาญในการสร้างแบบจำลองการเพิ่มประสิทธิภาพและการพัฒนาซอฟต์แวร์ เราอยู่ท่ามกลาง “ยุคทอง” ของการวิเคราะห์ข้อมูล ซึ่งมีข้อมูลคุณภาพสูงมากมายและเครื่องมือวิเคราะห์ขั้นสูงที่ทรงพลังพร้อมให้ใช้งาน องค์กรต่างๆ ในอุตสาหกรรมต่างๆ ต่างมองหาการใช้ประโยชน์จากเครื่องมือวิเคราะห์เหล่านี้เพื่อสร้างโซลูชันสำหรับปัญหาที่สำคัญต่อภารกิจ ชี้นำการคาดการณ์และการตัดสินใจ และรับความได้เปรียบในการแข่งขัน แต่ด้วยเครื่องมือวิเคราะห์ที่มีอยู่มากมายในตลาด หลายบริษัทมีปัญหาในการพิจารณาว่าพวกเขาต้องการเครื่องมือใดอย่างแท้จริง โดยทั่วไปแล้ว “การวิเคราะห์” ประกอบด้วยเครื่องมือสามประเภทที่แตกต่างกัน: การวิเคราะห์เชิงพรรณนา: การใช้การรวมข้อมูล การทำเหมืองข้อมูล และเครื่องมือข่าวกรองธุรกิจ คุณจะได้รับข้อมูลเชิงลึกเกี่ยวกับสิ่งที่เกิดขึ้นในอดีตหรือสิ่งที่เกิดขึ้นในปัจจุบันในสภาพแวดล้อมธุรกิจของคุณ การวิเคราะห์เชิงคาดการณ์: ด้วยการใช้แบบจำลองทางสถิติและเครื่องมือการเรียนรู้ของเครื่อง คุณสามารถคาดการณ์และคาดการณ์ว่าจะเกิดอะไรขึ้นในอนาคต การวิเคราะห์เชิงกำหนด: การใช้ฮิวริสติกหรือเครื่องมือเพิ่มประสิทธิภาพทางคณิตศาสตร์ คุณสามารถทำการตัดสินใจที่ซับซ้อน (และมักจะอัตโนมัติ) เกี่ยวกับหลักสูตรการดำเนินการที่ต้องทำ เพื่อให้บรรลุวัตถุประสงค์ทางธุรกิจของคุณ เครื่องมือวิเคราะห์ทั้งสามประเภทถูกใช้อย่างกว้างขวางในองค์กรในปัจจุบัน ตัวอย่างเช่น ในขณะที่รัฐบาลและอุตสาหกรรมการดูแลสุขภาพเร่งฉีดวัคซีนป้องกันโรคโควิด-19 19 ให้กับประชากรทั่วโลก เครื่องมือวิเคราะห์เชิงพรรณนาสามารถให้ภาพรวมที่ถูกต้องและแบบเรียลไทม์ของการฉีดวัคซีนในปัจจุบันและ อัตราการติดเชื้อ เครื่องมือวิเคราะห์เชิงคาดการณ์สามารถคาดการณ์ว่าจะเกิดอะไรขึ้นกับอัตราการติดเชื้อหากเราดูแลวัคซีนเพิ่มเติมในสถานที่เฉพาะในบางช่วงเวลา และเครื่องมือวิเคราะห์เชิงกำหนดสามารถช่วยเราตัดสินใจว่าจะแจกจ่ายวัคซีนที่ไหนและเมื่อใด หากคุณในฐานะนักวิทยาศาสตร์ข้อมูลหรือผู้เชี่ยวชาญด้านไอที ต้องการดึงคุณค่าสูงสุดจากข้อมูลของคุณ (โดยใช้ข้อมูลนี้เพื่อขับเคลื่อนข้อมูลเชิงลึก การคาดการณ์ การตัดสินใจ และผลลัพธ์ทางธุรกิจที่ดีที่สุด) คุณควรใช้เครื่องมือวิเคราะห์ทั้งสามประเภทตามอุดมคติ ในลักษณะบูรณาการ คุณอาจมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับเครื่องมือวิเคราะห์เชิงพรรณนาและการวิเคราะห์เชิงคาดการณ์ แต่อาจไม่คุ้นเคยกับการวิเคราะห์แบบกำหนดเงื่อนไขในภาพรวมและการเพิ่มประสิทธิภาพทางคณิตศาสตร์โดยเฉพาะ (เครื่องมือวิเคราะห์เชิงกำหนดหลัก) โดยเฉพาะ ในบทความนี้ ฉันจะอธิบายสั้น ๆ ว่าคุณสามารถเริ่มต้นใช้งานการปรับให้เหมาะสมทางคณิตศาสตร์ได้อย่างไร และให้ตัวอย่างว่าเทคโนโลยีการวิเคราะห์ที่กำหนดล่วงหน้านี้สามารถรวมเข้ากับการเรียนรู้ของเครื่องเพื่อมอบผลประโยชน์ทางธุรกิจในอุตสาหกรรมต่างๆ ได้อย่างไร การเรียนรู้ที่จะใช้ประโยชน์จากการเพิ่มประสิทธิภาพทางคณิตศาสตร์ในระดับต่างๆ มีโอกาสที่คุณ เช่นเดียวกับนักวิทยาศาสตร์ข้อมูลและผู้เชี่ยวชาญด้านไอทีส่วนใหญ่ มีประสบการณ์ในการใช้การปรับให้เหมาะสมทางคณิตศาสตร์อยู่แล้ว ซึ่งน่าจะเป็นไปได้มากที่สุดใน Excel เช่นเดียวกับ Swiss Army Knife Excel ให้ผู้ใช้เข้าถึงเครื่องมือต่างๆ มากมาย รวมถึงฟังก์ชันการคาดการณ์และการวิเคราะห์สถานการณ์ และโปรแกรมแก้ไขการเพิ่มประสิทธิภาพทางคณิตศาสตร์ขั้นพื้นฐาน แม้ว่า Excel จะให้โอกาสคุณในการทำให้เท้าของคุณเปียกด้วยเครื่องมือวิเคราะห์เหล่านี้และทำงานง่ายๆ แต่ความสามารถของซอฟต์แวร์นี้ค่อนข้างจำกัด เนื่องจากไม่สามารถจัดการกับชุดข้อมูลขนาดใหญ่หลายมิติหรือปัญหาที่มีความซับซ้อนอย่างมากได้ หากคุณต้องการใช้การปรับให้เหมาะสมทางคณิตศาสตร์หรือเครื่องมือวิเคราะห์ที่ซับซ้อนอื่นๆ ตามขนาด คุณต้องมีเครื่องมือที่เชี่ยวชาญและแข็งแกร่งมากขึ้นสำหรับงาน เมื่อพูดถึงการปรับให้เหมาะสมทางคณิตศาสตร์ มีเครื่องมือคำนวณและการสร้างแบบจำลองการเพิ่มประสิทธิภาพทางคณิตศาสตร์เชิงพาณิชย์มากมายในตลาด ซึ่งส่วนมากจะเชื่อมต่อกับภาษาโปรแกรมยอดนิยมมากมายที่นักวิทยาศาสตร์ข้อมูลคุ้นเคย เช่น Python, MATLAB และ R. You สามารถใช้ภาษาการเขียนโปรแกรมที่คุณเลือกเพื่อสร้างแบบจำลองและแอปพลิเคชันการเพิ่มประสิทธิภาพทางคณิตศาสตร์ เช่นเดียวกับที่คุณทำกับแมชชีนเลิร์นนิง แน่นอนว่าต้องใช้เวลาและความพยายามในการเรียนรู้การเขียนโค้ดเพื่อการเพิ่มประสิทธิภาพทางคณิตศาสตร์ แต่ในท้ายที่สุดก็จะได้ผล เนื่องจากคุณจะสามารถใช้เทคโนโลยีการวิเคราะห์เชิงกำหนดที่มีศักยภาพนี้ได้ ไม่ว่าจะด้วยตัวเองหรือร่วมกับการเรียนรู้ของเครื่อง – เพื่อสร้างวิธีแก้ไขปัญหาทางธุรกิจที่สำคัญและท้าทายที่สุดของคุณโดยอัตโนมัติ และตัดสินใจอย่างเหมาะสมที่สุด การสร้างผลกระทบข้ามอุตสาหกรรม การเพิ่มประสิทธิภาพทางคณิตศาสตร์และการเรียนรู้ของเครื่องได้พิสูจน์แล้วว่าเป็นคู่หูที่มีพลัง และบริษัทในอุตสาหกรรมต่างๆ มากมายได้ใช้เทคโนโลยีการวิเคราะห์ทั้งสองนี้ร่วมกันเพื่อจัดการกับปัญหาทางธุรกิจในโลกแห่งความเป็นจริงในวงกว้างและบรรลุผลการทำงานและผลกำไรที่มากขึ้น นี่เป็นเพียงตัวอย่างเล็กๆ น้อยๆ ของการผสมผสานระหว่างการปรับให้เหมาะสมทางคณิตศาสตร์และการเรียนรู้ของเครื่องสร้างมูลค่าทางธุรกิจที่สำคัญในแนวดิ่งของอุตสาหกรรมต่างๆ ได้อย่างไร การขายปลีก: ผู้ค้าปลีกชั้นนำใช้การเรียนรู้ของเครื่องเพื่อคาดการณ์ความต้องการผลิตภัณฑ์เฉพาะ ในบางสถานที่ ในช่วงเวลาที่กำหนด จากนั้นพวกเขาป้อนการคาดการณ์เหล่านั้นลงในแอปพลิเคชันการเพิ่มประสิทธิภาพทางคณิตศาสตร์ ซึ่งใช้เป็นข้อมูลเพื่อสร้างการผลิต การกำหนดราคา สินค้าคงคลัง และแผนการจัดจำหน่ายที่เหมาะสม ตัดสินใจทางธุรกิจที่เพิ่มผลกำไรสูงสุดและความพึงพอใจของลูกค้า และลดต้นทุนการดำเนินงาน บริการทางการเงิน: ธนาคารและบริษัทให้บริการทางการเงินอื่นๆ พึ่งพาแมชชีนเลิร์นนิงและการเพิ่มประสิทธิภาพทางคณิตศาสตร์เพื่อกำหนดการจัดสรรพอร์ตการลงทุนที่เหมาะสม ด้วยแมชชีนเลิร์นนิง พวกเขาคาดการณ์ประสิทธิภาพของเนื้อหาเฉพาะ จากนั้นจึงนำการคาดการณ์เหล่านั้นไปไว้ในแอปพลิเคชันการเพิ่มประสิทธิภาพทางคณิตศาสตร์ แอปพลิเคชันการเพิ่มประสิทธิภาพทางคณิตศาสตร์จะกำหนดการจัดสรรพอร์ตโฟลิโอที่เหมาะสมที่สุดโดยอัตโนมัติ (ตามการคาดการณ์เหล่านั้น ตลอดจนการเคลื่อนไหวของตลาดล่าสุดและวัตถุประสงค์และความชอบในการลงทุนแต่ละรายการ) ซึ่งจะช่วยเพิ่มผลตอบแทนจากการปรับความเสี่ยงสูงสุดและลดความเสี่ยง การโฆษณาออนไลน์: ยักษ์ใหญ่ด้านเสิร์ชเอ็นจิ้นทางอินเทอร์เน็ตใช้ประโยชน์จากแมชชีนเลิร์นนิงเพื่อคาดการณ์ว่าผลิตภัณฑ์และบริการใดที่บุคคลจะสนใจ (ตามประวัติการค้นหาก่อนหน้าและปัจจัยอื่นๆ) จากนั้นใช้การเพิ่มประสิทธิภาพทางคณิตศาสตร์เพื่อค้นหาว่าโฆษณาออนไลน์ใดที่จะแสดงต่อผู้ใช้แต่ละราย ครั้งและจำนวนเงินที่เรียกเก็บจากผู้ลงโฆษณา (เพื่อเพิ่มรายได้สูงสุด) พลังงานไฟฟ้า: ในขณะที่ภาคการผลิตไฟฟ้าเปลี่ยนจากการพึ่งพาเชื้อเพลิงฟอสซิลไปเป็นทรัพยากรหมุนเวียน เช่น พลังงานแสงอาทิตย์และลม รัฐบาลและผู้เล่นในอุตสาหกรรมจำเป็นต้องทำการตัดสินใจที่มีความเสี่ยงสูงเกี่ยวกับการลงทุนเชิงกลยุทธ์ในโครงสร้างพื้นฐานและทรัพยากรของเครือข่าย องค์กรเหล่านี้ใช้แมชชีนเลิร์นนิงเพื่อคาดการณ์ความต้องการพลังงานไฟฟ้าในอนาคตและความต้องการความจุ จากนั้นป้อนการคาดการณ์เหล่านั้นลงในแอปพลิเคชันการเพิ่มประสิทธิภาพทางคณิตศาสตร์ ซึ่งจะสร้างแผนการลงทุนระยะยาวที่เหมาะสมที่สุด สิ่งที่น่าสนใจคือ องค์กรในอุตสาหกรรมอื่น ๆ รวมถึงโทรคมนาคมและคลาวด์คอมพิวติ้ง ใช้การปรับให้เหมาะสมทางคณิตศาสตร์และการเรียนรู้ของเครื่องในลักษณะเดียวกันเพื่อประเมินความต้องการระยะยาวและความต้องการด้านความจุอย่างแม่นยำ จากนั้นจึงตัดสินใจลงทุนเชิงกลยุทธ์อย่างเหมาะสมที่สุด การเพิ่มการเพิ่มประสิทธิภาพทางคณิตศาสตร์ให้กับกล่องเครื่องมือวิทยาศาสตร์ข้อมูลของคุณ มีนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้นอย่างต่อเนื่องโดยใช้การปรับให้เหมาะสมทางคณิตศาสตร์ เช่นเดียวกับจำนวนกรณีการใช้งานที่แตกต่างกันของเทคโนโลยีการวิเคราะห์แบบกำหนดเงื่อนไขนี้ (โดยตัวมันเองและเมื่อรวมกับการเรียนรู้ของเครื่อง) ในอุตสาหกรรมต่างๆ หากคุณสนใจที่จะเพิ่มการปรับให้เหมาะสมทางคณิตศาสตร์ในกล่องเครื่องมือของคุณ คุณสามารถเริ่มต้นได้โดยการสำรวจและทดลองกับการเพิ่มประสิทธิภาพทางคณิตศาสตร์ใน Excel จากนั้น เมื่อคุณพร้อมที่จะสัมผัสกับพลังเต็มรูปแบบของเทคโนโลยีนี้ คุณสามารถไปยังเครื่องมือเพิ่มประสิทธิภาพทางคณิตศาสตร์ที่มีความแข็งแกร่งระดับอุตสาหกรรม ซึ่งจะช่วยให้คุณจัดการกับปัญหาที่มีขนาดใหญ่ในแง่ของความซับซ้อน ขนาด และความสำคัญได้ หากคุณต้องการปลดล็อกคุณค่าที่แท้จริงของข้อมูลของคุณ (โดยไม่เพียงแต่ใช้เพื่อรับข้อมูลเชิงลึกและการคาดคะเนเท่านั้น แต่ยังเพื่อขับเคลื่อนการตัดสินใจที่เหมาะสมที่สุด) คุณจำเป็นต้องเพิ่มประสิทธิภาพทางคณิตศาสตร์ ควบคู่ไปกับการเรียนรู้ของเครื่องและเทคโนโลยีการวิเคราะห์อื่นๆ ในชุดเครื่องมือของคุณ . ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button