iT邦幫忙

第 11 屆 iThome 鐵人賽

DAY 5
0
Google Developers Machine Learning

Google Developers Machine Learning 學習系列 第 5

【Day 05】How Google does Machine Leaning (What it means to be AI first -3)

  • 分享至 

  • xImage
  •  

前言

希望週末多農些文章!

主題

1.6~1.8 Farming an ML Problem

https://ithelp.ithome.com.tw/upload/images/20190906/20120188pdFWG1flLm.jpg
https://ithelp.ithome.com.tw/upload/images/20190906/2012018809yGUA8i9e.jpg

這整章主要著重於去思考在各領域的應用中,如何將Machine Learning導入應用? 如何建構出一項應用的問題? 然後,從這些問題延伸出各項子問題,最後,在提出問題的過程中,不知不覺就規劃出一項Machine Learning專案的藍圖骨幹。
首先,羅列出六項當紅的領域作為參考(如上圖)

  • 製造業
  • 零售業
  • 生醫
  • 旅遊
  • 金融
  • 能源

接著給出三大核心問題:

  1. 如果這是一項 Machine Learnig 的問題?
  • 要進行什麼樣的預測?
  • 會需要什麼樣的資料?
  1. 如何用軟體思維去解析這項 Machine Learning問題?
  • 需要什麼樣的API去處理這樣的預測問題?
  • 如何使用這項服務?現在的人事如何處理這項問題?
  1. 這項 Machine Learning 中,會需要處理什麼樣的資料?
  • 需要分析什麼樣的資料?
  • 需要預測什麼樣的資料?
  • 需要應對什麼樣的資料?

在台灣這個醫療水平算高,診所林立的地方,醫療資料其實非常充足,能夠做很多事情。
健保瀕臨破產壓力之下,降低醫療浪費是一項重點,從非專業的角度來看,藥品使用量的控制或許能夠降低許多成本。想像平常去診所拿藥,有時候病徵沒了卻還有好幾包藥,或是民眾喜歡拿一堆藥放著"保平安",無形中累積了巨大的浪費。
1-1 進行藥品使用量的預測
1-2 病人領藥的紀錄、疾病種類、藥品、劑量

2-1 醫生可以輸入病人特徵(男女、年紀、體型)、疾病種類、使用的藥品等,得到建議的劑量與開藥時程
2-2 現在主要都是依賴醫生經驗判斷

3-1 可以先從較普遍的感冒等疾病著手,從可以取得的資訊(季節、區域、病人特徵),分析可能影響劑量與用藥時程的因素
3-2 預測建議的藥品使用量與用藥時程
3-3 醫生得到建議用量後,能依照建議用量在規定範圍內做增減,若要超出範圍則需輸入原因,藉此降低藥品被濫開的行為


上一篇
【Day 04】How Google does Machine Leaning (What it means to be AI first -2)
下一篇
【Day 06】How Google does Machine Leaning (What it means to be AI first -4)
系列文
Google Developers Machine Learning 學習30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言