ebook img

Machine Learning Applications using Python. Cases Studies from Healthcare, Retail and Finance PDF

378 Pages·2019·5.685 MB·english
Save to my drive
Quick download
Download
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

Preview Machine Learning Applications using Python. Cases Studies from Healthcare, Retail and Finance

Machine Learning Applications Using Python Cases Studies from Healthcare, Retail, and Finance Puneet Mathur Machine Learning Applications Using Python: Cases Studies from Healthcare, Retail and Finance Puneet Mathur Bangalore, Karnataka, India ISBN-13 (pbk): 978-1-4842-3786-1 ISBN-13 (electronic): 978-1-4842-3787-8 https://doi.org/10.1007/978-1-4842-3787-8 Library of Congress Control Number: 2018965933 Copyright © 2019 by Puneet Mathur Any source code or other supplementary material referenced by the author in this book is available to readers on GitHub via the book’s product page, located at www.apress.com/978-1-4842-3786-1. For more detailed information, please visit http://www.apress.com/source-code. Contents Introduction� ����������������������������������������������������������������������������������������������������������xvii Chapter 1: Overview of Machine Learning in Healthcare �����������������������������������������1 Installing Python for the Exercises ������������������������������������������������������������������������������������������������2 Process of Technology Adoption ����������������������������������������������������������������������������������������������2 How Machine Learning Is Transforming Healthcare ����������������������������������������������������������������8 End Notes ������������������������������������������������������������������������������������������������������������������������������������11 Chapter 2: Key Technological advancements in Healthcare �����������������������������������13 Scenario 2025 �����������������������������������������������������������������������������������������������������������������������������13 Narrow vs� Broad Machine Learning �������������������������������������������������������������������������������������������14 Current State of Healthcare Institutions Around the World ���������������������������������������������������������16 Importance of Machine Learning in Healthcare ��������������������������������������������������������������������19 End Notes ������������������������������������������������������������������������������������������������������������������������������������34 Chapter 3: How to Implement Machine Learning in Healthcare �����������������������������37 Areas of Healthcare Research Where There is Huge Potential ����������������������������������������������������37 Common Machine Learning Applications in Radiology ���������������������������������������������������������������40 Working with a Healthcare Data Set �������������������������������������������������������������������������������������������41 Life Cycle of Machine Learning Development �����������������������������������������������������������������������41 Implementing a Patient Electronic Health Record Data Set ��������������������������������������������������������44 Detecting Outliers ������������������������������������������������������������������������������������������������������������������52 Data Preparation ��������������������������������������������������������������������������������������������������������������������67 End Notes ������������������������������������������������������������������������������������������������������������������������������������75 Chapter 4: Case Studies in Healthcare AI ���������������������������������������������������������������77 CASE STUDY 1: Lab Coordinator Problem �����������������������������������������������������������������������������������78 CASE STUDY 2: Hospital Food Wastage Problem ����������������������������������������������������������������������100 Chapter 5: Pitfalls to Avoid with Machine Learning in Healthcare �����������������������121 Meeting the Business Objectives ����������������������������������������������������������������������������������������������122 This is Not a Competition, It is Applied Business! ���������������������������������������������������������������������123 Don’t Get Caught in the Planning and Design Flaws �����������������������������������������������������������������126 Choosing the Best Algorithm for Your Prediction Model������������������������������������������������������������129 Are You Using Agile Machine Learning? ������������������������������������������������������������������������������������130 Ascertaining Technical Risks in the Project ������������������������������������������������������������������������������131 End Note������������������������������������������������������������������������������������������������������������������������������������134 Chapter 6: Monetizing Healthcare Machine Learning �������������������������������������������135 Intro-Hospital Communication Apps �����������������������������������������������������������������������������������������135 Connected Patient Data Networks ��������������������������������������������������������������������������������������������140 IoT in Healthcare �����������������������������������������������������������������������������������������������������������������������142 End Note������������������������������������������������������������������������������������������������������������������������������������145 Chapter 7: Overview of Machine Learning in Retail ���������������������������������������������147 Retail Segments ������������������������������������������������������������������������������������������������������������������������149 Retail Value Proposition ������������������������������������������������������������������������������������������������������������151 The Process of Technology Adoption in the Retail Sector ���������������������������������������������������������153 The Current State of Analytics in the Retail Sector �������������������������������������������������������������������155 Chapter 8: Key Technological Advancements in Retail �����������������������������������������159 Scenario 2025 ���������������������������������������������������������������������������������������������������������������������������159 Narrow vs Broad Machine Learning in Retail ����������������������������������������������������������������������������161 The Current State of Retail Institutions Around the World ���������������������������������������������������������162 Importance of Machine Learning in Retail ��������������������������������������������������������������������������������164 Research Design Overview: ������������������������������������������������������������������������������������������������������170 Data Collection Methods �����������������������������������������������������������������������������������������������������������170 Data Analysis ����������������������������������������������������������������������������������������������������������������������������171 Ethical Considerations ��������������������������������������������������������������������������������������������������������������171 Limitations of the Study ������������������������������������������������������������������������������������������������������������171 Examining the Study �����������������������������������������������������������������������������������������������������������������172 Phases of Technology Adoption in Retail, 2018 �������������������������������������������������������������������179 End Notes ����������������������������������������������������������������������������������������������������������������������������������181 Chapter 9: How to Implement Machine Learning in Retail �����������������������������������183 Implementing Machine Learning Life Cycle in Retail ����������������������������������������������������������������185 Unsupervised Learning ��������������������������������������������������������������������������������������������������������186 Visualization and Plotting ����������������������������������������������������������������������������������������������������190 Loading the Data Set �����������������������������������������������������������������������������������������������������������193 Visualizing the Sample Data Set ������������������������������������������������������������������������������������������198 Feature Engineering and Selection �������������������������������������������������������������������������������������201 Visualizing the Feature Relationships ����������������������������������������������������������������������������������204 Sample Transformation �������������������������������������������������������������������������������������������������������206 Outlier Detection and Filtering ���������������������������������������������������������������������������������������������207 Principal Component Analysis ���������������������������������������������������������������������������������������������210 Clustering and Biplot Visualization Implementation ������������������������������������������������������������212 End Notes ����������������������������������������������������������������������������������������������������������������������������������216 Chapter 10: Case Studies in Retail AI �������������������������������������������������������������������217 What Are Recommender Systems? �������������������������������������������������������������������������������������������217 CASE STUDY 1: Recommendation Engine Creation for Online Retail Mart ��������������������������������218 CASE STUDY 2: Talking Bots for AMDAP Retail Group ���������������������������������������������������������������233 End Notes ����������������������������������������������������������������������������������������������������������������������������������237 Chapter 11: Pitfalls to Avoid With Machine Learning in Retail �����������������������������239 Supply Chain Management and Logistics ���������������������������������������������������������������������������������239 Inventory Management �������������������������������������������������������������������������������������������������������������241 Customer Management �������������������������������������������������������������������������������������������������������������242 Internet of Things ����������������������������������������������������������������������������������������������������������������������245 End Note������������������������������������������������������������������������������������������������������������������������������������247 Chapter 12: Monetizing Retail Machine Learning �������������������������������������������������249 Connected Retail Stores ������������������������������������������������������������������������������������������������������������249 Connected Warehouses �������������������������������������������������������������������������������������������������������������252 Collaborative Community Mobile Stores �����������������������������������������������������������������������������������254 End Notes ����������������������������������������������������������������������������������������������������������������������������������257 Chapter 13: Overview of Machine Learning in Finance ����������������������������������������259 Financial Segments ������������������������������������������������������������������������������������������������������������������261 Finance Value Proposition ���������������������������������������������������������������������������������������������������������262 The Process of Technology Adoption in the Finance Sector ������������������������������������������������������265 End Notes ����������������������������������������������������������������������������������������������������������������������������������270 Chapter 14: Key Technological Advancements in Finance �����������������������������������271 Scenario 2027 ���������������������������������������������������������������������������������������������������������������������������271 Narrow vs Broad Machine Learning in Finance ������������������������������������������������������������������������272 The Current State of Finance Institutions Around the World �����������������������������������������������������274 Importance of Machine Learning in Finance �����������������������������������������������������������������������������274 Research Design Overview �������������������������������������������������������������������������������������������������������280 Data Collection Methods �����������������������������������������������������������������������������������������������������������281 Data Analysis ����������������������������������������������������������������������������������������������������������������������������281 Ethical Considerations ��������������������������������������������������������������������������������������������������������������282 Limitations of the Study ������������������������������������������������������������������������������������������������������������282 Examining the Study �����������������������������������������������������������������������������������������������������������������282 Phases of Technology Adoption in Finance, 2018 ��������������������������������������������������������������������290 End Notes ����������������������������������������������������������������������������������������������������������������������������������292 Chapter 15: How to Implement Machine Learning in Finance ������������������������������295 Implementing Machine Learning Life Cycle in Finance ������������������������������������������������������������297 Starting the Code �����������������������������������������������������������������������������������������������������������������299 Feature Importance �������������������������������������������������������������������������������������������������������������304 Looking at the Outliers ��������������������������������������������������������������������������������������������������������306 Preparing the Data Set ��������������������������������������������������������������������������������������������������������309 Encoding Columns ���������������������������������������������������������������������������������������������������������������312 Splitting the Data into Features �������������������������������������������������������������������������������������������313 Evaluating Model Performance �������������������������������������������������������������������������������������������313 Determining Features ����������������������������������������������������������������������������������������������������������321 The Final Parameters ����������������������������������������������������������������������������������������������������������324 End Note������������������������������������������������������������������������������������������������������������������������������������324 Chapter 16: Case Studies in Finance AI ����������������������������������������������������������������325 CASE STUDY 1: Stock Market Movement Prediction �����������������������������������������������������������������325 Questions for the Case Study ����������������������������������������������������������������������������������������������327 Proposed Solution for the Case Study ���������������������������������������������������������������������������������328 CASE STUDY 2: Detecting Financial Statements Fraud �������������������������������������������������������������347 Questions for the Case Study ����������������������������������������������������������������������������������������������349 Discussion on Solution to the Case Study: ��������������������������������������������������������������������������349 End Notes ����������������������������������������������������������������������������������������������������������������������������������354 Chapter 17: Pitfalls to Avoid with Machine Learning in Finance ��������������������������355 The Regulatory Pitfall ����������������������������������������������������������������������������������������������������������������355 Government Laws and an Administrative Controller, the Securities and Trade Commission (SEC) ������������������������������������������������������������������������������������������������������358 States Laws and Controllers ������������������������������������������������������������������������������������������������358 Self-Regulatory Organization ����������������������������������������������������������������������������������������������359 The Data Privacy Pitfall �������������������������������������������������������������������������������������������������������������360 End Note������������������������������������������������������������������������������������������������������������������������������������362 Chapter 18: Monetizing Finance Machine Learning ���������������������������������������������363 Connected Bank ������������������������������������������������������������������������������������������������������������������������363 Fly-In Financial Markets �����������������������������������������������������������������������������������������������������������367 Financial Asset Exchange ���������������������������������������������������������������������������������������������������������369 End Note������������������������������������������������������������������������������������������������������������������������������������372 Index ���������������������������������������������������������������������������������������������������������������������373 Introduction The idea of writing this book came up when I was planning a machine learning workshop in Bangalore in 2016. When I interacted with people, I found out that although many said they knew machine learning and had mostly learned it through self-study mode, they were not able to answer interviewers’ questions on applying machine learning to practical business problems. Even some of the experienced machine learning professionals said they had implementation experience of computer vision in a particular area like manufacturing; however, they did not have the experiential knowledge on how it can be applied in other domains. As of the writing of this book, the three most progressive and promising areas for implementation are healthcare, retail, and finance. I call them promising because there are some applications that have been built in areas like healthcare (e.g., with expert robotic processes like surgical operations); however, there are more applications that are being discovered every day. Retail affects everyday lives of everybody on this planet, as you need to shop for your personal needs. Whether you buy from a grocery store or a retail chain, online machine learning and artificial intelligence is going to change the customer experience by predicting their needs and making sure the right solutions are available at the right time. Finance is another area that holds a lot of promise and has seen less application of machine learning and artificial intelligence in comparison to the other sectors. The primary reason for that is because it is the sector with the maximum regulations and law enforcement taking place heavily here. It is also the sector which forms the backbone of the economy. Without finance, there is no other sector that can operate. Readers, be they those who are just starting off with machine learning or with experience in Python and machine learning implementation in projects other than these sectors, will definitely gain an experiential knowledge that I share with you the through the case studies presented in this book. The reader will get motivation from my famous quote on artificial intelligence and machine learning it is not the Artificial Intelligence but the Human Intelligence behind the Artificial Intelligence that is going to change the way we live our lives in the future. There are three sections in this book, and I think each of these could have been printed as separate books in themselves. The good thing that the reader will find is that the structure of these three sections is identical. Each section starts off with an overview section where you will understand the current scenarios for that segment, such as healthcare, retail, or finance. Then there is the technological advancement chapter common to all the three segments, where the state of machine learning has been discussed in detail. It is also the section where I present to you the results of the Delphi Method expert survey for each of those domains. Then there is a chapter on how to implement machine learning in that particular domain. This is where you will learn how to use an industry-emulated or modeled data set and how to implement it using Python code, step-by-step. Some of this code and approach you will be able to directly apply in your project implementations. In each section, you will find two case studies taken from practical business problems, again modeled on some of the practical business problems that are commonly faced by businesses in that industry segment. Each case study is unique and has its own questions that you must carefully study and try to answer independently. I have given the solution for only one of the case studies using Python code, and I have let the second case study in each section be a discussion-only solution. The reason for doing this is because I want you to apply your own mind to solve them after looking at how I have solved the first one. Please remember each business is different, and each solution has to also be different. However, the machine learning approach does not differ much. I know for sure that many of you who read this book are highly experienced machine learning professionals in your field and that is why you are looking for expert advice on how to avoid common gotchas or pitfalls during machine learning in that domain, such as healthcare or retail or finance. Each sector has its own set of pitfalls, as the nature of the business is very different. There could be many readers who could belong to the startup eco-system and would like to get new ideas on implementation of machine learning and artificial intelligence in these areas. In each of the three sections, you will find three innovative ideas that I present to you that you could immediately take and start implementing. If you are looking for a book that gives you experiential and practical knowledge of how to use Python and solve some of the problems in the real world, then you will be highly satisfied. All the Python code and the data sets in the book are available on my website URL: http://www.PuneetMathur.me/Book009/. You will need to register there using your e-mail ID and the link to download the code, and data sets will be sent to you as part of the registration process.

See more

The list of books you might like

Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.