Machine Learning

3. Tibbiy diagnostika (Medical Diagnosis)
Mashinaviy o'qitish turli xil tibbiy sohalarda diagnostika va prognostik muammolarni hal qilishga yordam beradigan usullar, texnik vositalar va vositalarni taqdim etadi. U klinik parametrlar va ularning kombinatsiyasining prognoz uchun ahamiyatini tahlil qilish uchun ishlatiladi, masalan. kasallik rivojlanishini bashorat qilish, natijalarni tadqiq qilish, terapiyani rejalashtirish va qo'llab-quvvatlash va bemorni umumiy boshqarish uchun tibbiy bilimlarni to'plash uchun. Mashinaviy o'qitish ma'lumotni tahlil qilishda, masalan, ma'lumotlarning nomukammalligi bilan tegishli ravishda muomala qilish orqali reanimatsiyani aniqlash, reanimatsiya bo'limida ishlatiladigan uzluksiz ma'lumotlarni izohlash va samarali va samarali kuzatuvga olib keladigan aqlli signal berish uchun ham ishlatiladi.
Mashinaviy o'qitish usullarini muvaffaqiyatli joriy etish sog'liqni saqlash sohasida kompyuterga asoslangan tizimlarni integratsiyalashuviga yordam berishi mumkinligi ta'kidlanadi, bu esa tibbiy mutaxassislarning ishini yengillashtirish va takomillashtirish va pirovardida tibbiy yordamning samaradorligi va sifatini oshirishga imkon beradi.
Tibbiy tashxisda asosiy qiziqish kasallikning mavjudligini aniqlash va undan keyin uni aniq aniqlashdir. Ko'rib chiqilayotgan har bir kasallik uchun alohida toifali va kasallik mavjud bo'lmagan holatlar uchun bitta toifaga ega. Bu yerda mashinaviy o’qitish bemorlarning ma'lumotlarini tahlil qilish orqali tibbiy tashxisning aniqligini oshiradi. Ushbu Machine Learning dasturlaridagi o'lchovlar odatda ma'lum tibbiy sinovlar (masalan, qon bosimi, harorat va turli xil qon sinovlari) yoki tibbiy diagnostika (tibbiy rasmlar kabi), turli alomatlarning mavjudligi / yo'qligi / intensivligi va asosiy jismoniy ma'lumotlarning natijalari. bemor (yoshi, jinsi, vazni va boshqalar). Ushbu o'lchovlarning natijalari asosida shifokorlar bemorni yuqtirgan kasallikni toraytiradi.


4. Statistik arbitraj (Statistical Arbitrage)
Moliya sohasida statistik arbitraj qisqa muddatli tipik va ko'p sonli qimmatli qog'ozlarni o'z ichiga olgan avtomatlashtirilgan savdo strategiyalariga ishora qiladi. Bunday strategiyalarda foydalanuvchi tarixiy korrelyatsiyalar va umumiy iqtisodiy o'zgaruvchilar kabi miqdorlar asosida bir qator qimmatli qog'ozlar uchun savdo algoritmini amalga oshirishga harakat qiladi. Ushbu o'lchovlarni tasniflash yoki baholash muammosi sifatida tashlash mumkin. Asosiy taxmin shundaki, narxlar tarixiy o'rtacha ko'rsatkichga o'tadi.
Indeksli arbitraj strategiyasini olish uchun biz mashinaviy o’qitish usullarini qo'llaymiz. Xususan, biz birja savdosi fondlari va aktsiyalar oqimi narxlarida chiziqli regressiya va qo'llab-quvvatlovchi vektor regressiyasini (SVR) qo'llaymiz. Xususiyat maydoni o'lchamini kamaytirishda printsipial tarkibiy tahlil (PCA) yordamida biz foyda ko'ramiz va SVR-ning qo'llanilishidagi muammolarni qayd etamiz. Savdo signallarini yaratish uchun biz oldingi regressiyadan qolgan qoldiqlarni o'rtacha qaytarish jarayoni sifatida modellashtiramiz. Tasniflashda har bir qimmatli qog'oz uchun toifalar sotilishi, sotib olinishi yoki hech narsa qilinmasligi mumkin. Men taxmin qiladigan bo'lsam, kelajakda ufqda har bir qimmatli qog'ozning kutilayotgan qaytarilishini bashorat qilishga urinishim mumkin. Bu holda, odatda, savdo to'g'risida qaror qabul qilish uchun kutilayotgan daromadni hisoblash kerak bo'ladi