Bedste svar
Fra http://nips.cc/Conferences/2007/Program/event.php?ID=573
Struktureret forudsigelse er en ramme for løsning af problemer med klassificering eller regression, hvor outputvariablerne er gensidigt afhængige eller begrænsede. Disse afhængigheder og begrænsninger afspejler sekventiel, rumlig eller kombinatorisk struktur i problemdomænet, og at fange sådanne interaktioner er ofte lige så vigtig som at opfange input-output-afhængigheder. Mange sådanne problemer, herunder naturlig sprogparsing, maskinoversættelse, objektsegmentering, genforudsigelse, proteinjustering og talrige andre opgaver inden for computinglingvistik, tale, vision, biologi, er ikke nye. De seneste fremskridt har imidlertid medført en samlet opfattelse, effektiv metode og vigtigere, betydelige nøjagtighedsforbedringer for både klassiske og nye problemer. Denne vejledning vil forklare de grundlæggende beregnings- og statistiske udfordringer, der skyldes den høje dimensionalitet af input og den eksponentielle eksplosion af antallet af mulige fælles resultater. Jeg vil beskrive sammenløbet af udviklingen på flere områder i løsningen af disse udfordringer for store klasser af problemer: stor margin og online metoder til forudsigelse, variationelle metoder til grafisk modelinferens og storskala kombinatorisk og konveks optimering. Jeg vil også skitsere adskillige åbne spørgsmål med særlig vanskelighed i struktureret forudsigelse, herunder asymptotisk konsistens, virkningerne af tilnærmet slutning, semisupervised og svagt overvåget læring.
Udtrykket er defineret i modsætning til “Klassifikation”. Løst, givet nogle inputdata x, tildeler du en etiket y for disse data, dvs. er denne e-mail-spam? Har denne patient en sygdom? “Struktureret forudsigelse” forsøger at besvare, givet nogle inputdata x, finde den bedste struktur y relateret til disse data. Denne skelnen er vigtig, når y kommer fra et stort / eksponentielt sæt af muligheder, som i oversættelse, hvilket indebærer, at der er behov for en slags søgning for at løse problemet. Indramning af problemet på denne måde fremhæver afvejningen mellem søgning og læring. Valg af hurtigere søgeteknikker frem for y kan føre til repræsentationer på overfladiske funktioner og dårligere ydeevne.
Svar
Menneskelige forudsigelser er baseret på historiske data og er afhængige af menneskelig interaktion for at forespørge data, validere mønstre , opret og test derefter antagelser.
Human prediktive analytiske applikationer involverer tre grundlæggende komponenter:
- Data: Effektiviteten af hver forudsigende model afhænger stærkt af kvaliteten af de historiske data, den behandler.
- Statistisk modellering: Omfatter de forskellige statistiske teknikker lige fra grundlæggende til komplekse funktioner, der bruges til afledning af mening, indsigt og slutning. Regression er den mest anvendte statistiske teknik.
- Antagelser: Konklusionerne fra indsamlede og analyserede data antager normalt, at fremtiden vil følge et mønster relateret til fortiden.
Menneskelige forudsigelser kan anvendes på adskillige måder for at forbedre virksomhedens produktivitet. Forudsigelig indsigt afledt af dataanalyse er yderst nyttig for marketingfolk. De kan hjælpe med at forudsige kampagnens effektivitet, informere beslutningstagning om sikkerhedsstillelse, geografiske markeder og demografi, der skal målrettes mod. Men jo mere detaljeret ønsket om at målrette og segmentere, jo højere krav til tid og omkostninger, hvilket gør en vellykket, hyper-personaliseret kampagne næsten umulig.
AI-forudsigelser
AI-forudsigelse er en fortsættelse af begreberne omkring forudsigende analyse, med en nøgleforskel: AI-systemet er i stand til at antage antagelser, teste og lære autonomt.
AI er en af de mest fremtrædende teknikker, der anvendes til hyper-personaliseret markedsføring. AI-maskinindlæring antager antagelser, vurderer modellen igen og evaluerer dataene igen, alt sammen uden indblanding fra et menneske. Dette ændrer alt.
Ligesom AI betyder, at en menneskelig ingeniør ikke behøver at kode for hver eneste mulige handling / reaktion, er AI-maskinlæring i stand til at teste og gentest data for at forudsige alle mulige kundeprodukter match, med en hastighed og kapacitet, som intet menneske kunne nå.
Mange virksomheder som Technostacks i dag er afhængige af maskinlæringsalgoritmer for bedre at forstå deres kunder og potentielle indtægtsmuligheder. Hundredvis af eksisterende og nyudviklede algoritmer til maskinindlæring anvendes til at udlede avancerede forudsigelser, der styrer realtidsbeslutninger med mindre afhængighed af menneskelig indgriben.