Машинное обучение как современный подход к анализу данных

Актуальность. С учетом повсеместной цифровизации и автоматизации производственных процессов информационные технологии в современном обществе приобретают все большее значение. Методы и способы, применяемые ранее, становятся непригодными в нынешних условиях развития экономики. На этом фоне особую значимость приобретает машинное обучение, призванное быстрее и результативнее человека анализировать информацию. Машинное обучение — это развивающаяся область вычислительных алгоритмов, предназначенная для имитации человеческого интеллекта и выявления закономерностей в данных. На сегодняшний день это одна из самых быстрорастущих технических областей, лежащая на стыке информатики, статистики и бизнеса. Машинное обучение уже эффективно применяется для решения различных аналитических и оптимизационных задач.

Цель статьи заключается в изучении машинного обучения с теоретической точки зрения и оценке эффекта от его применения.

Задачи: изучить феномен "Big Data" как толчок к использованию машинного обучения; рассмотреть историю зарождения машинного обучения; дать трактовку данного понятия; описать основные принципы работы машинного обучения; оценить интерес к данной сфере; изучить конкретные кейсы успешного внедрения машинного обучения.

Методология. В ходе научного исследования использовались эмпирические, теоретические, статистические методы и методы графического представления.

Результаты. Были исследованы теоретические аспекты машинного обучения, изучены показатели популярности данной темы как в научной сфере, так и в бизнесе. Показаны примеры положительного эффекта от применения машинного обучения.

Выводы. В работе подчеркивается важность рассматриваемой темы с учетом последних тенденций, обосновывается выгода использования современных способов анализа.

1. Корнев М. С. История понятия "большие данные" (Big Data): словари, научная и деловая периодика // Вестник РГГУ. Серия: Литературоведение. Языкознание. Культурология. 2018. № 1 (34). С. 81–85.

2. Уварова С. А. Перспективы развития технологии Big Data в России // Academy. 2017. № 10 (25). С. 39–41.

3. Майер-Шенбергер В., Кукьер К. Большие данные. Революция, которая изменит то, как мы живем, работаем и мыслим / пер. с англ. Инны Гайдюк. М.: Манн, Иванов и Фербер, 2014. 240 с.

4. Большие данные (Big Data) мировой рынок // TADVISER. Государство. Бизнес. ИТ. 2020. URL: https://www.tadviser.ru/a/129607 (дата обращения: 20.02.2021).

5. Рожкова М. А., Глонина В. Н. Персональные и неперсональные данные в составе больших данных // Право цифровой экономики-2020. М.: Статус, 2020. С. 271–296.

6. Хенрик Б., Джозеф Р., Марк Ф. Машинное обучение / пер. с англ. И. Рузмайкиной. СПб.: Питер, 2017. 336 с.

7. Flach P. Machine learning: The art and science of algorithms that make sense of data. Cambridge: Cambridge University Press, 2012. 409 p.

8. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2020. 480 с.

9. Кацов И. Машинное обучение для бизнеса и маркетинга. СПб.: Питер, 2019. 512 с.

10. Sutton R. S., Barto R. S. Reinforcement learning: an introduction. Cambridge: MIT Press, 1998. 352 p.

11. Кораблев А. Ю., Булатов Р. Б. Машинное обучение в бизнесе // АНИ: экономика и управление. 2018. № 2(23). С. 68–72.

12. Scopus: официальный сайт. URL: https://www-scopus-com.proxylibrary.hse.ru/search/form.uri?display=basic&zone=header&origin=#basic (дата обращения: 23.11.2021).

13. Kaggle: официальный сайт. URL: https://www.kaggle.com/ (дата обращения: 25.02.2022).

14. Билык К. Н. VK запустила программу оплачиваемой стажировки по 30 IT-направлениям // RB.RU: Медиа про бизнес и технологии. 2022. URL: https://rb.ru/young/vk-stazhirovka-za-dengi/ (дата обращения: 26.02.2022).

15. Научная премия Яндекса: офиц. сайт. URL: https://yandex.ru/scholarships (дата обращения: 26.02.2022).

16. AI Russia Works: Библиотека AI-кейсов с доказанной бизнес-эффективностью: официальный сайт. URL: https://ai-russia.ru/library (дата обращения: 20.01.2022).

17. Isinkaye F. O., Folajimi Y. O., Ojokoh B. A. Recommendation systems: Principles, methods and evaluation // Egyptian informatics journal. 2015. Vol. 16, no. 3. P. 261‒273.

18. Yu A. How Netflix uses ai, data science, and machine learning ‒ from a product perspective // Medium. 2019. URL: https://becominghuman.ai/how-netflix-uses-ai-and-machine-learninga087614630fe (дата обращения: 20.02.2022).

19. Gomez-Uribe C. A., Hunt N. The netflix recommender system: Algorithms, business value, and innovation // ACM Transactions on Management Information Systems (TMIS). 2015. Vol. 6, no. 4. P. 1‒19.

20. Shipment volume forecasts powered by AI at senko group // H2O.ai: офиц. сайт. 2020. URL: https://www.h2o.ai/case-studies/shipment-volume-forecasts-powered-by-ai-at-senko-group/ (дата обращения: 20.02.2022).

21. Бегишев И. Р., Хисамова З. И. Искусственный интеллект и робототехника: глоссарий понятий. М.: Проспект, 2021. 64 с.

22. Грачева Н. А., Полищук О. А. Методические подходы к оценке и управлению стоимостью компаний с позиции риск-менеджмента и оптимизации бизнес-процессов // Вестник Самарского государственного экономического университета. 2012. № 9 (95). С. 18‒25.

23. Полищук О. А., Грачева Н. А. Аналитическое обеспечение стратегического управления производственной организации: монография. Курск: ЗАО «Университетская книга», 2019. 137 с.