Методы машинного обучения в малом бизнесе: содержание и управление

В статье рассмотрены ключевые характеристики стандартных методов машинного обучения, используемых компаниями в операционных бизнес-процессах. В условиях отечественного курса на развитие инновационного бизнеса, цифровой экономики и инфраструктуры для хранения данных человеческий фактор приобретает ключевое значение. Применение методов искусственного интеллекта в работе сотрудников малых предприятий встречает препятствия, которые заключаются в том числе и в отсутствии представлений у персонала о стратегической функциональности существующих в настоящее время алгоритмов бизнес-процессов. Малые коммерческие предприятия сталкиваются с проблемой незнания основных инструментальных принципов функционирования и использования алгоритмов машинного обучения. Вместе с тем бизнес-процессы предприятия могут быть качественно улучшены благодаря имплементации (реализации) алгоритмов машинного обучения. Авторами приведен формальный и аналитический обзор существующих базовых алгоритмов, используемых рядом крупных коммерческих компаний в качестве потенциального средства для оптимизации бизнеса малого предприятия. Описаны виды алгоритмов и моделей машинного обучения – множественная модель регрессии, логистическая регрессия и др., а также инструментальные проблемы их использования аналитиками и разработчиками предприятия. Даны рекомендации по применению данных моделей для повышения эффективности работы малых коммерческих предприятий.  

1. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. – М. : Финансы и статистика, 2004.

2. Брукшир Дж. Информатика и вычислительная техника. – 7-е изд. – СПб. : Питер, 2004.

3. Гмах Д., Ролиа Д., Черкасова Л., Кемпер А. Управление вычислительной мощностью и прогнозирование потребностей центров обработки данных // Информационная безопасность. – 2008. – № 2 (112). – URL: https://www.bytemag.ru/articles/detail.php?ID=11622

4. Грас Дж. Data Science. Наука о данных с нуля : пер. с англ. – СПб. : БХВ-Петербург, 2017.

5. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. – 2-е изд., испр. – М. : ДМК Пресс, 2018.

6. Дэви С., Мейсман А., Мохамед А. Основы Data Science и Big Data. Python и наука о данных. – СПб. : Питер, 2017.

7. Козлов А., Котов К., Седов С. 3 примера применения машинного обучения для бизнеса, чтобы использовать бизнес-процессы. – URL: https://www.gd.ru/articles/9073-mashinnoe-obuchenie (дата обращения: 01.11.2019).

8. Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. – М. : МЦНМО, 2009.

9. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. – СПб. : Питер, 2018.

10. Орешков В. И., Васильев Е. П. Совершенствование процесса принятия управленческих решений в экономике и бизнесе на основе применения интеллектуального анализа данных // Фундаментальные исследования. – 2012. – № 9-4. – С. 965–971. – URL: http://www.fundamental-research.ru/ru/article/view?id=30432 (дата обращения: 20.03.2019).

11. Плас В. Дж. Python для сложных задач: наука о данных и машинное обучение. – СПб. : Питер, 2018.

12. Саттон Р. С., Барто Э. Г. Обучение с подкреплением : пер. с англ. – М. : Бином, 2011.

13. Сегаран Т. Программируем коллективный разум : пер. с англ. – СПб. : Символ-Плюс, 2008.

14. Тарик Р. Создаем нейронную сеть : пер. с англ. – СПб. : ООО «Альфа-книга», 2017.

15. Траск Э. Грокаем глубокое обучение. – СПб. : Питер, 2019. – (Серия «Библиотека программиста»).

16. Amunategui M., Roopaei M. Monetizing Machine Learning: Quickly Turn Python ML Ideas into Web Applications on the Serverless Cloud. – New York : Apress, 2018.

17. Bishop C. M. Pattern Recognition and Machine Learning. – New York : Springer Science + Business Media, LLC, 2006. – URL: https://pdfs.semanticscholar.org/8f8f/9222d66a30f1f4026dc1035ef10f9ccd079d.pdf (дата обращения: 06.11.2018).

18. Bonaccorso G. Machine Learning Algorithms: Popular Algorithms for Data Science and Machine Learning. – 2nd edition. – Birmingham, UK : Published by Packt Publishing Ltd., 2018.

19. Dangeti P. Statistics for Machine Learning. – Birmingham, UK : Published by Packt Publishing Ltd., 2017.

20. Fox C. Data Science for Transport : Springer Textbooks in Earth Sciences, Geography and Environment. – Springer, 2018.

21. Kevin P. Murphy Machine Learning A Probabilistic Perspective. – Cambridge : The MIT Press Cambridge, 2012.

22. Lakshmi P. Y. Big Data Analytics Made Easy. – Chennai, India : Notion Press, 2016.

23. Leaders look to embrace AI, and high-growth companies are seeing the benefits. – URL: https://news.microsoft.com/europe/features/leaders-look-to-embrace-ai-and-high-growth-companies-are-seeing-the-benefits/ (дата обращения: 10.03.2019).

24. Liu Y. Python Machine Learning by Example: Implement Machine Learning Algorithms and Techniques to Build Intelligent Systems. – 2nd edition. – Birmingham, UK : Published by Packt Publishing Ltd., 2019.

25. Marr B. Big Data: Using Smart Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. – United Kingdom, 2015. – URL: https://www.wiley.com/en-us/Big+Data%3A+Using+SMART+Big+Data%2C+Analytics+and+Metrics+To+Make+Better+Decisions+and+Improve+Performance-p-9781118965832

26. Minichino J., Howse J. Learning Open CV 3 Computer Vision with Python. – 2nd edition. – Birmingham, UK : Published by Packt Pulishing Ltd., 2015.

27. Provost F., Fawcett T. Data Science for Business. – Sebastopol : O’Reilly Media, Inc., 2013.

28. Raman A., Hyong Tok W. A Developer’s Guide to Building AI Aplications. – Sebastopol : O’Reilly Media, Inc., 2018.

29. Rosing M., Scheer A., Scheel H. The Complete Business Process Handbook: Body of Knowledge from Process Modeling to BPM. – Vol. 1. – Elsevier Inc., 2015.

30. Yawen L., Yang L., Yang B., Wang N., Wu T. Application of Interpretable Machine Learning Models for the Intelligent Decision // Neurocomputing. – 2019. – Vol. 333. – P. 273–283.

31. Zhang J., Zhan Z., Lin Y., Chen N., Gong Y., Zhong J. Evolutionary Computation Meets Machine Learning: A Survey // Ieee Computational Intelligence Magazine. – 2011. – November. – URL: http://www.dblab.ntua.gr/~gtsat/collection/Machine%20Learning/06052374.pdf (дата обращения: 03.10.2018).