Arvutiteaduse instituut
  1. Kursused
  2. 2019/20 kevad
  3. Tehisintellekti Algkursus (LTAT.TK.013)
EN
Logi sisse

Tehisintellekti Algkursus 2019/20 kevad

Küsimuste ja/või probleemide korral kirjutage: ti@ut.ee

  • AVALEHT 2021
  • AVALEHT 2020
  • Kursuse korraldus 2020
  • 1. OSA. Sissejuhatus tehisintellekti
  • 2. OSA. Masinõpe
  • 3. OSA. Masinnägemine
  • 4. OSA. Isejuhtivad autod
  • 5. OSA. Keeletehnoloogia
  • 6. OSA. Ärianalüütika

6.1 Sissejuhatus
6.2 Kliendi eluaja tsükkel
6.3 Klientide segmenteerimine
6.4 Kliendi eluaegne väärtus ja kliendi omandamiskulu
6.5 Klientide lahkumise ennustamine
6.6 Rist- ja ülesmüük
6.7 Kokkuvõte
6.8 Praktiline näide ja test

  • 7. OSA. Inimese ja roboti interaktsioon
  • 8. OSA. Tehismõistus meditsiinis
  • Viited ja kirjandus
< eelmine6. OSA sisukordjärgmine >

6.7 Kokkuvõte autor: Anna Leontjeva

Ärianalüütika on väga mahukas ja interdistsiplinaarne valdkond, mis kasutab ideid ja meetodeid paljudest teistest valdkondadest. Ühelt poolt on oluline rakendada teadmisi majandusest, ettevõtlusest, finantsist ja turundusest, teiselt poolt põhinevad kasutatud meetodid printsiipidel statistikast, masinõppest, algoritmikast ja andmeteadusest. Selles loengus me kirjeldasime ainult lühidalt mõnda üksikut kontseptsiooni ja meetodit, kuid loodame, et see tekitas lugejates suurema huvi kogu ärianalüütika valdkonna vastu ning lugeja saab iseseisvalt edasi õppida. (vt Peatükk “Lingid”).

Me alustasime klientide eluaja tsükklist, mis kirjeldab erinevaid etappe kliendi kokkupuutes ettevõttega ning seostasime need andmeanalüütika meetoditega. Seejärel, peatükis 2, rääkisime me segmenteerimisest kui olulisest lähenemisest, mis võimaldab ettevõttel oma kliente paremini tundma õppida. Segmenteerimist saab teha kasutades oma intuitsiooni, kuid saab ka rakendada automaatseid algoritme nagu k-keskmiste algoritm ning hierarhiline klasterdamine.

Seejärel, peatükis 3, käsitlesime me kliendi eluaegse väärtuse ja kliendi omandamiskulu mõisteid. Näitasime, kuidas neid saab arvutada, kasutades lihtsat matemaatikat. Täpsemalt näitasime, et eluaegset väärtust saab ennustada kasutades regressiooni või aegrea analüüsi, ning et klientide lahkumist saab ennustada ja loodetavasti ennetada, kasutades klassifikatsiooni.

Viimases peatükis tutvusime rist- ja ülesmüügi definitsioonide ning erinevate soovitussüsteemide tüüpidega. Õppisime, kuidas implementeerida nii kasutajakeskset kui ka kirjetekeskset kaasfiltreerimist. Saime ka teada, kuidas teha soovitusi, et rist- ja ülesmüüki efektiivsemalt rakendada.

Toetamaks teie nüüd omandtud teoreetilisi ärianalüütika teadmisi, on Swedbanki ärianalüütik Janely Põllumägi ja vanem andmeteadlane Lehar Oha teie jaoks lindistanud video, milles toovad praktilisi näiteid, kuidas Swedbank kasutab tehisintellekti.

Lingid lisamaterjalidele

https://et.wikipedia.org/wiki/K-keskmiste_klasterdamine

https://www.wordstream.com/blog/ws/2019/01/10/cac-vs-clv

https://blog.kissmetrics.com/wp-content/uploads/2011/08/calculating-ltv.pdf

https://blog.smile.io/clv-cac-ratio-calculating-the-magic-metric/


< eelmine6. OSA sisukordjärgmine >
Materjalide kasutamise kohta konsulteerige palun Korduma kippuvad küsimused sektsioonis.
  • Arvutiteaduse instituut
  • Loodus- ja täppisteaduste valdkond
  • Tartu Ülikool
Tehniliste probleemide või küsimuste korral kirjuta:

Kursuse sisu ja korralduslike küsimustega pöörduge kursuse korraldajate poole.
Õppematerjalide varalised autoriõigused kuuluvad Tartu Ülikoolile. Õppematerjalide kasutamine on lubatud autoriõiguse seaduses ettenähtud teose vaba kasutamise eesmärkidel ja tingimustel. Õppematerjalide kasutamisel on kasutaja kohustatud viitama õppematerjalide autorile.
Õppematerjalide kasutamine muudel eesmärkidel on lubatud ainult Tartu Ülikooli eelneval kirjalikul nõusolekul.
Tartu Ülikooli arvutiteaduse instituudi kursuste läbiviimist toetavad järgmised programmid:
euroopa sotsiaalfondi logo