Η ανάλυση κυρίων συνιστωσών (PCA) είναι μια μέθοδος μείωσης των διαστάσεων των δεδομένων. Παίρνει τα δεδομένα σου και μετατρέπονται σε κύριες συνιστώσες (Principal Components). Κάθε κύρια συνιστώσα επιλέγεται στην ορθογώνια κατεύθυνση που μεγιστοποιεί την γραμμική συσχέτιση των δεδομένων. Πιο απλά, αν τα δεδομένα είναι x, y, z συντεταγμένων η PCA επιστρέφει x’,y’,z’ συντεταγμένες που μεγιστοποιούν την γραμμική συσχέτιση. Οι κύριες συνιστώσες προκύπτουν από τη φασματική ανάλυση του πίνακα διακυμάνσεων-συν διακυμάνσεων ή του πίνακα συσχετίσεων.

Πολλά άρθρα κυκλοφορούν με πληροφορίες για το πώς να χτίσεις και να αναπτύξεις επιχειρήσεις. Τα περισσότερα προσφέρουν πολύ καλές συμβουλές, όμως συχνά στοχεύουν σε πολύ πλατύ κοινό με συνέπεια να μην αναφέρονται στις λεπτομέρειες που μετράνε πραγματικά και κάνουν τη διαφορά στο τέλος. Πολύ σπάνια διαβάζει κάποιος άρθρο που αφορά ευθέως την περίπτωση του.

Είναι γνωστό ότι οι αναλυτές δεδομένων ή data scientists περνούν το 80% του χρόνου τους στην προετοιμασία και επεξεργασία των δεδομένων. Πολλοί αυτό το θεωρούν πρόβλημα, κάτι το οποίο δεν μπορεί να είναι σωστό. Αυτό είναι μεγάλο μέρος της δουλειά τους και αν δεν είναι καλοί σε αυτό, δεν είναι καλοί στη δουλειά τους.

Η Google παρουσίασε τις προσθήκες της σχετικά με τη Μηχανική Μάθηση στην cloud πλατφόρμα της. Στόχος είναι να εμπλουτίσει το cloud προϊόν της και να προσφέρει επιπλέον εργαλεία για επιχειρήσεις που θέλουν να αναπτύξουν τα δικά τους προϊόντα μηχανικής μάθησης.

Η αγορά των MOOC (Massive Open Online Courses – Μαζικά δωρεάν διαδικτυακά μαθήματα) έχουν εκτοξευτεί. Το Coursera έχει εκτοξεύσει την χρηματοδότησή του, ξεπερνώντας πλέον τα 63 εκατομμύρια δολάρια (νούμερα του 2013) και σίγουρα τα 60 της edX που χρηματοδοτείται από το Harvard και το MIT! Γιατί όμως τόση επένδυση; Γιατί οι ευκαιρίες που προσφέρει αυτή η αγορά είναι τεράστιες και να χτίσει κανείς τέτοια online μαθήματα είναι πολύ ακριβό.

Πολύς ντόρος γίνεται για την γνώση που αποκτά κάποιος αναλύοντας τα δεδομένα η οποία μεταφράζεται σε ενέργειες. Πολλές φορές, είναι ο μόνος στόχος με αποτέλεσμα να μην δίνεται η σημασία που αρμόζει στα υπόλοιπα συμπεράσματα που προκύπτουν από τα δεδομένα. Για αυτό το λόγο παρουσιάζουμε πως μπορεί κάποιος να επωφεληθεί από την γνώση που αντλεί από τα δεδομένα.

Όταν η συζήτηση έρχεται στην εξόρυξη γνώσης από τα δεδομένα και τη κατανόησή τους, ο όρος Actionable Insights έχει γίνει το άγιο δισκοπότηρο. Είναι η νέα γνώση που παίρνει κάποιος από τα δεδομένα που μπορεί να μεταφραστεί σε κάποια ενέργεια. Τι σημαίνει ακριβώς αυτό όμως; Πότε μία νέα γνώση μπορεί να οδηγήσει σε ενέργεια; Θα παραθέσουμε κάποια παραδείγματα για να προσπαθήσουμε να το εξηγήσουμε.

Όλο και περισσότερες εταιρείες χρησιμοποιούν την επιστήμη των voice analytics για να αποκτήσουν γνώση από τις συνομιλίες και επαφές με τους πελάτες τους, την αναγνώριση, ακόμα και να ανιχνεύσουν το ψεύδος και την απάτη.

Μέχρι σχετικά πρόσφατα, η ιδέα ότι ένας υπολογιστής θα μπορούσε να κατανοήσει την ομιλία φάνταζε με επιστημονική φαντασία. Έπειτα, ήρθε η εποχή που φωνάζαμε σε αυτοματοποιημένα μενού όταν τηλεφωνούσαμε σε γραμμές εξυπηρέτησης πελατών και συχνά η απάντηση ήταν: «Συγγνώμη, δεν το καταλάβαμε αυτό».