Paras vastaus
Lähteestä http://nips.cc/Conferences/2007/Program/event.php?ID=573
Rakenteellinen ennustus on kehys sellaisten luokittelu- tai regressio-ongelmien ratkaiseminen, joissa lähtömuuttujat ovat keskenään riippuvaisia tai rajoitettuja. Nämä riippuvuudet ja rajoitukset heijastavat peräkkäistä, spatiaalista tai yhdistelmärakennetta ongelma-alueella, ja tällaisten vuorovaikutusten sieppaaminen on usein yhtä tärkeää kuin tulo- ja lähtöriippuvuuksien sieppaaminen. Monet tällaiset ongelmat, mukaan lukien luonnollisen kielen jäsentäminen, konekääntäminen, esineiden segmentointi, geeniennuste, proteiinien kohdentaminen ja lukuisat muut laskennallisen kielitieteen, puheen, näön, biologian tehtävät, eivät ole uusia. Viimeaikaiset edistysaskeleet ovat kuitenkin tuottaneet yhtenäisen näkemyksen, tehokkaan metodologian ja mikä tärkeintä, merkittäviä tarkkuuden parannuksia sekä klassisiin että uusiin ongelmiin. Tämä opetusohjelma selittää perustiedot laskennallisista ja tilastollisista haasteista, jotka johtuvat panosten suuresta ulottuvuudesta ja mahdollisten yhteisten tulosten määrän eksponentiaalisesta räjähdyksestä. Kuvaan useiden alueiden kehityksen yhtymäkohtia näiden haasteiden ratkaisemisessa suurille ongelmaluokille: suuri marginaali ja online-menetelmät ennustamiseen, variaatiomenetelmät graafisen mallin päättelyyn ja laajamittaiset kombinatoriset ja kuperat optimoinnit. Esittelen myös useita avoimia kysymyksiä, jotka ovat erityisen vaikeita strukturoidussa ennakoinnissa, mukaan lukien asymptoottinen johdonmukaisuus, likimääräisen päättelyn vaikutukset, puolivalvottu ja heikosti valvottu oppiminen.
Termi määritellään luokituksen vastakohtana. Määritä löyhästi tietyille syötetiedoille x antamalla tunniste y kyseisille tiedoille, ts. Onko tämä sähköposti roskapostia? Onko tällä potilaalla sairaus? ”Strukturoitu ennustus” yrittää vastata, kun otetaan huomioon joitain syötetietoja x, löytää paras data y liittyvä data. Tämä ero on tärkeä, kun y tulee suuresta / eksponentiaalisesta joukosta mahdollisuuksia, kuten käännöksessä, mikä tarkoittaa, että ongelman ratkaisemiseksi tarvitaan jonkinlainen haku. Kehystämällä ongelma tällä tavalla korostetaan etsinnän ja oppimisen välistä kompromissia. Nopeamman hakutekniikan valitseminen y: n sijasta voi johtaa matalampiin ominaisuuksien esityksiin ja heikompaan suorituskykyyn.
Vastaus
Ihmisen ennusteet perustuvat historiallisiin tietoihin ja perustuvat ihmisen vuorovaikutukseen tietojen kyselyyn, mallien vahvistamiseen. , luo ja testaa oletuksia.
Ihmisen ennakoivat analyysisovellukset sisältävät kolme perustekijää:
- Tiedot: Jokaisen ennustemallin tehokkuus riippuu suuresti sen käsittelemien historiallisten tietojen laadusta.
- Tilastollinen mallinnus: Sisältää erilaisia tilastotekniikoita vaihtelevat perustoiminnoista monimutkaisiin toimintoihin, joita käytetään merkityksen, oivalluksen ja päätelmän johtamiseen. Regressio on yleisimmin käytetty tilastollinen tekniikka.
- Oletukset: Kerättyjen ja analysoitujen tietojen perusteella tehdyissä johtopäätöksissä oletetaan yleensä, että tulevaisuus noudattaa mallia. liittyvät menneisyyteen.
Ihmisen ennusteita voidaan soveltaa monin tavoin liiketoiminnan tuottavuuden parantamiseksi. Data-analytiikasta saatu ennakoiva oivallus on erittäin hyödyllistä markkinoijille. Ne voivat auttaa ennustamaan kampanjan tehokkuutta, antamaan tietoa vakuuksien, maantieteellisten markkinoiden ja kohderyhmien päätöksenteosta. Mutta mitä yksityiskohtaisempi halu kohdistaa ja segmentoida, sitä korkeammat aika- ja kustannusvaatimukset tekevät onnistuneesta, hyperhenkilökohtaisesta kampanjoinnista lähes mahdotonta.
AI-ennusteet
Tekoälyn ennustus on jatkoa ennakoivan analytiikan käsitteille, ja siinä on yksi keskeinen ero: tekoälyjärjestelmä pystyy tekemään oletuksia, testaamaan ja oppimaan itsenäisesti.
AI on yksi näkyvimmistä tekniikoista, joita käytetään hyperhenkilökohtaisessa markkinoinnissa. Tekoälyn koneoppiminen tekee oletuksia, arvioi mallin uudelleen ja arvioi tiedot uudelleen ilman ihmisen väliintuloa. Tämä muuttaa kaikkea.
Aivan kuten tekoäly tarkoittaa, että ihmiskehittäjän ei tarvitse koodata kaikkia mahdollisia toimintoja / reaktioita, tekoälyn koneoppiminen pystyy testaamaan ja testaamaan tietoja ennustamaan kaikki mahdolliset asiakas-tuotteet ottelu, nopeudella ja kyvyllä, jota kukaan ihminen ei voi saavuttaa.
Monet yritykset, kuten Technostackit , riippuvat nykyään koneoppimisalgoritmeista ymmärtääkseen paremmin asiakkaitaan. ja mahdolliset tulomahdollisuudet. Satoja olemassa olevia ja äskettäin kehitettyjä koneoppimisalgoritmeja käytetään tuottamaan huippuluokan ennusteita, jotka ohjaavat reaaliaikaisia päätöksiä vähemmän riippuen ihmisen puuttumisesta.