Методы машинного обучения в экономике (Методология научного исследования)

Вступление

Надеюсь, это эссе предполагает свободный стиль. Я пока точно еще не сформулировал сам для себя тему НКР, подобного рода работы и должны помочь в этом выборе. Ранее я изучал точные науки и прикладную информатику в экономике, сейчас точно уверен, что мне хочется связать свою работу с машинным обучением. Поэтому название сейчас достаточно общее, в процессе размышлений и написания подобных работ оно, предполагается мне, будет становиться все более и более узконаправленным.

Основная часть

Машинное обучение (Machine Learning) -- это раздел прикладной математики, объединяющий методы математической статистики, оптимизации и искусственного интеллекта. Машинное обучение исследует методы построения алгоритмов, способных обучаться на основании эмпирических данных.

Частью машинного обучения является интеллектуальный анализ данных -совокупность подходов, методов и алгоритмов, которые используются для автоматического получения каких-либо нетривиальных выводов на основе эмпирических данных, в том числе сигналов, изображений, текстов, и т. д.

Машинное обучение необходимо для автоматизации решения сложных профессиональных задач. В силу универсальности используемых алгоритмов машинное обучение применимо в самых разных областях деятельности. Например, оно используется для распознавания речи, жестов, рукописного текста, в сфере медицинской диагностики и биржевого анализа, для борьбы со спамом, осуществления финансового контроля и во многих других сферах. Сфера применений машинного обучения постоянно расширяется, так как стремительная информатизация общества приводит к накоплению огромных объёмов эмпирических данных в науке, производстве, социальных областях. А возникающие при этом задачи прогнозирования, управления и принятия решений часто требуют быстрого анализа этих объемов.

В этом случае методы машинного обучения оказываются не только применимыми, но и зачастую более эффективными в условиях, когда человеческий мозг не в силах проанализировать огромный объем данных достаточно быстро. Огромные вычислительные мощности современных компьютеров могут оказать человеку в этом существенную помощь.

Сейчас наиболее интересным мне представляется интеллектуальный анализ данных (Data Mining) экономической информации. Семантический анализ текстов социальных сетей. Например, нас могут интересовать конкретные продукты или бренды.

Заключение

Машинное обучение - одна из ключевых информационных технологий будущего; наиболее успешное направление искусственного интеллекта, вытеснившее экспертные системы и инженерию знаний; математическое моделирование, когда данных много, знаний мало; тысячи алгоритмов; около 100 000 научных публикаций в год.

Если нет данных, то нет и машинного обучения. Сейчас в социальных сетях ежедневно публикуется миллионы пользовательских записей в открытом доступе. Это не только большой простор данных, но и отражение актуального настроения общество по той или иной теме. Остается только получить из данных – знания.