Lauri Nurmela

Älyä fillarointiin osa 7: Mitä opittiin, ja kuinka sitä voisi soveltaa?

22.11.2018

Blogisarjan aikaisemmissa osissa esiteltiin alusta loppuun prosessi, jolla yksinkertaisista lokitiedoista voi rakentaa älykkään mallin, joka hyödyntää koneoppimisen tekniikoita tavoitteenaan helpottaa ihmisten elämää. Lopputuloksena oli (ainakin omasta mielestäni) nätti ja yksinkertainen käyttöliittymä, jota on toivottavasti intuitiivista käyttää. Mikä parasta, nykypäivänä älykkäitä…

Read more

Älyä fillarointiin osa 6: Monitasoisen logistisen regression hyödyntäminen Tableaussa

15.11.2018

Edellisissä postauksissa käsiteltiin prosessi, jolla päädyttiin malliin, joka ennustaa asemakohtaisia todennäköisyyksiä pyörän saapumiselle kahden minuutin sisällä riippuen asemasta, ajankohdasta ja säästä. Malli on toki omasta mielestäni aika hieno, mutta nyt on vuorossa hauskin kohta: tulosten soveltaminen. Lisäominaisuus: pyörien saapumisväli Joten:…

Read more

Älyä fillarointiin osa 5: Monitasoinen logistinen regressio

09.11.2018

Blogisarjan edellisessä kirjoituksessa laskettiin melko yksinkertainen logistinen regressio, joka ennustaa pyörien saapumista asemalle riippuen säästä ja ajankohdasta. Nyt sukelletaan syvemmälle, ja lasketaan asemakohtaiset ennusteet käyttämällä monitasoista regressiota. Pintaraapaisu hierarkkisiin malleihin Monitasoinen eli hierarkkinen regressio on suunniteltu laskemaan malleja datalle, joka…

Read more

Älyä fillarointiin osa 4: Karvalakkimallista jotain hienostuneempaa

02.11.2018

Blogisarjan edellisessä tekstissä esiteltiin malli, joka laski ennusteita perustuen sateen määrään, lämpötilaan ja kategorisiin aikakomponentteihin. Alustavasti malli vaikutti siltä, että tuloksia on mahdollista laskea. Yksityiskohtaisten ennusteiden laskeminen on kuitenkin ongelmallista kahdesta syystä: parametrejä on näillä yhdistelmillä 170, eikä malli ota…

Read more

Älyä fillarointiin osa 3: Ongelmasta ideaan, ideasta preppaukseen ja karvalakkimalliin

26.10.2018

Blogisarjan edellisessä postauksessa visioitiin malli, joka laskisi ennusteen pyörän saapumisen todennäköisyydelle lyhyellä aikavälillä. Tämänkaltaiseen ongelmaan löytyy onneksi hyvin laajalti käytetty ja hyväksi havaittu yksinkertainen mallinnustapa, jolla saadaan nimenomaan kysymykseen vastaava luku: Logistinen regressio. Logistinen regressio: perusteet Logistisessa regressiossa mallinnetaan binääristä…

Read more

Älyä fillarointiin osa 2: Visuaalisella analyysillä kiinni dataan

18.10.2018

Kaikki alkaa valmistelusta Blogisarjan edellisessä osassa esittelin tämän sarjan aiheen pintapuolisesti: Älyn tuominen kaupunkipyöräilyyn kolmessa osassa. Nehän ovat: Historioitujen asemakohtaisten tilastojen lataus ja preppaus Käyttötilastojen analysointi ja mallinnus Mallin tulosten visualisointi ja hyödyntäminen Aineistot tähän projektiin löytyvät HSL:n avoimen…

Read more

Älyä fillarointiin osa 1: Kuinka loihtia älyä kaupunkipyörien avoimesta datasta?

11.10.2018

Iloa ja älyä kaupunkipyöristä Yksi viime vuosien ilahduttavimmista lisäyksistä Helsingin katukuvaan ovat olleet pirteän keltaiset kaupunkipyörät. Fillarin voi vuokrata kuka tahansa vuorokaudeksi, viikoksi tai koko kaudeksi lokakuun loppuun asti. Itse olen hyödyntänyt kaupunkipyöriä sekä työmatkoissa että vapaa-ajan riennoissa, ja…

Read more