Nejlepší odpověď
Z http://nips.cc/Conferences/2007/Program/event.php?ID=573
Strukturovaná předpověď je rámcem pro řešení problémů klasifikace nebo regrese, při nichž jsou výstupní proměnné vzájemně závislé nebo omezené. Tyto závislosti a omezení odrážejí sekvenční, prostorovou nebo kombinatorickou strukturu v problémové doméně a zachycení takových interakcí je často stejně důležité jako zachycení závislostí vstupu a výstupu. Mnoho takových problémů, včetně analýzy přirozeného jazyka, strojového překladu, segmentace objektů, predikce genů, zarovnání proteinů a mnoha dalších úkolů ve výpočetní lingvistice, řeči, vidění, biologii, není nic nového. Nedávné pokroky však přinesly jednotný pohled, efektivní metodologii a co je důležitější, významné zlepšení přesnosti u klasických i nových problémů. Tento tutoriál vysvětlí základní výpočetní a statistické výzvy vyplývající z vysoké dimenzionality vstupů a exponenciální exploze počtu možných společných výsledků. Popíšu soutok vývoje v několika oblastech při řešení těchto výzev pro široké třídy problémů: velké rozpětí a online metody predikce, variační metody pro odvozování grafických modelů a rozsáhlá kombinatorická a konvexní optimalizace. Nastíním také několik otevřených problémů se zvláštními obtížemi ve strukturované predikci, včetně asymptotické konzistence, účinků přibližné inference, semisupervovaného a slabě kontrolovaného učení.
Termín je definován v opozici vůči „Klasifikaci“. Volně, vzhledem k některým vstupním údajům x, přiřaďte těmto datům štítek y, tj. Je tento e-mail spam? Má tento pacient nemoc? „Strukturovaná predikce“ se pokouší odpovědět, vzhledem k některým vstupním datům x, najít nejlepší strukturu y související s těmito daty. Toto rozlišení je důležité, když y pochází z velkého / exponenciálního souboru možností, jako je překlad, což znamená, že k vyřešení problému je nutný nějaký druh hledání. Takto formulovaný problém zdůrazňuje kompromis mezi hledáním a učením. Volba rychlejších vyhledávacích technik než y může vést k mělčím reprezentacím funkcí a horšímu výkonu.
Odpověď
Lidské předpovědi jsou založeny na historických datech a při dotazování na údaje se spoléhají na lidskou interakci, ověřují vzory , vytvořte a poté otestujte předpoklady.
Aplikace pro prediktivní analýzu člověka zahrnují tři základní komponenty:
- Data: Efektivita každého prediktivního modelu silně závisí na kvalitě historických dat, která zpracovává.
- Statistické modelování: zahrnuje různé statistické techniky od základních až po složité funkce používané k odvození významu, vhledu a závěru. Regrese je nejběžněji používanou statistickou technikou.
- Předpoklady: Závěry vyvozené ze shromážděných a analyzovaných údajů obvykle předpokládají, že budoucnost se bude řídit vzorem související s minulostí.
Lidské předpovědi lze ke zvýšení produktivity podnikání použít mnoha způsoby. Prediktivní poznatky získané z datové analýzy jsou pro marketingové pracovníky nesmírně užitečné. Mohou pomoci předpovědět účinnost kampaně, informovat rozhodování o zajištění, geografických trzích a demografických údajích, na které je třeba cílit. Čím podrobnější je však cílit na cíl a segmentovat, tím vyšší jsou požadavky na čas a náklady, což téměř znemožňuje úspěšnou kampaň s hyperpersonalizací.
Předpovědi AI
Predikce umělé inteligence je pokračováním konceptů prediktivní analýzy s jedním zásadním rozdílem: Systém umělé inteligence je schopen samostatně vytvářet předpoklady, testovat a učit se.
Umělá inteligence je jednou z nejvýznamnějších technik používaných pro hyperpersonalizovaný marketing. Strojové učení AI vytváří předpoklady, přehodnocuje model a přehodnocuje data, a to vše bez zásahu člověka. Tím se všechno změní.
Stejně jako AI znamená, že lidský inženýr nemusí kódovat každou možnou akci / reakci, je strojové učení AI schopno testovat a znovu testovat data, aby předpovědělo každý možný produkt zákazníka. shoda, rychlostí a schopností, jaké by žádný člověk nemohl dosáhnout.
Mnoho společností jako Technostacks dnes závisí na algoritmech strojového učení, aby lépe porozuměly svým klientům a potenciální příjmy. Stovky stávajících a nově vyvinutých algoritmů strojového učení se používají k odvození špičkových předpovědí, které řídí rozhodnutí v reálném čase s menší závislostí na lidském zásahu.