Meilleure réponse
De http://nips.cc/Conferences/2007/Program/event.php?ID=573
La prédiction structurée est un cadre pour résoudre des problèmes de classification ou de régression dans lesquels les variables de sortie sont mutuellement dépendantes ou contraintes. Ces dépendances et contraintes reflètent une structure séquentielle, spatiale ou combinatoire dans le domaine du problème, et la capture de ces interactions est souvent aussi importante que la capture des dépendances dentrée-sortie. Beaucoup de ces problèmes, y compris lanalyse du langage naturel, la traduction automatique, la segmentation dobjets, la prédiction génique, lalignement des protéines et de nombreuses autres tâches en linguistique informatique, parole, vision, biologie, ne sont pas nouveaux. Cependant, les progrès récents ont abouti à une vue unifiée, une méthodologie efficace et, plus important encore, des améliorations significatives de la précision pour les problèmes classiques et nouveaux. Ce tutoriel expliquera les défis informatiques et statistiques fondamentaux découlant de la haute dimensionnalité des entrées et de lexplosion exponentielle du nombre de résultats communs possibles. Je décrirai la confluence des développements dans plusieurs domaines pour résoudre ces défis pour de larges classes de problèmes: méthodes de prédiction à grande marge et en ligne, méthodes variationnelles pour linférence de modèle graphique et optimisation combinatoire et convexe à grande échelle. Je décrirai également plusieurs questions ouvertes de difficulté particulière dans la prédiction structurée, y compris la cohérence asymptotique, les effets de linférence approximative, lapprentissage semi-supervisé et faiblement supervisé.
Le terme est défini par opposition à « Classification ». En gros, étant donné certaines données dentrée x, attribuez une étiquette y pour ces données, cest-à-dire sagit-il dun courrier indésirable? Ce patient a-t-il une maladie? «Prédiction structurée» tente de répondre, étant donné certaines données dentrée x, trouver la meilleure structure y liée à ces données. Cette distinction est importante lorsque y provient dun ensemble grand / exponentiel de possibilités, comme en traduction, ce qui implique quune sorte de recherche est nécessaire pour résoudre le problème. Cadrer le problème de cette manière met en évidence le compromis entre la recherche et lapprentissage. Le choix de techniques de recherche plus rapides sur y peut conduire à des représentations dentités moins profondes et à de moins bonnes performances.
Réponse
Les prédictions humaines sont basées sur des données historiques et reposent sur linteraction humaine pour interroger les données et valider les modèles , créez puis testez des hypothèses.
Les applications danalyse prédictive humaine impliquent trois composants fondamentaux:
- Données: Lefficacité de chaque modèle prédictif dépend fortement de la qualité des données historiques quil traite.
- Modélisation statistique: Inclut les différentes techniques statistiques allant des fonctions de base aux fonctions complexes utilisées pour la dérivation du sens, de la perspicacité et de linférence. La régression est la technique statistique la plus couramment utilisée.
- Hypothèses: Les conclusions tirées des données collectées et analysées supposent généralement que lavenir suivra un modèle liées au passé.
Les prédictions humaines peuvent être appliquées de nombreuses manières pour améliorer la productivité de lentreprise. Les informations prédictives dérivées de lanalyse des données sont extrêmement utiles pour les spécialistes du marketing. Ils peuvent aider à prédire lefficacité des campagnes, éclairer la prise de décision sur les garanties, les marchés géographiques et les données démographiques à cibler. Mais plus le désir de cibler et de segmenter est détaillé, plus les délais et les coûts sont élevés, ce qui rend presque impossible une campagne hyper-personnalisée réussie.
Prédictions IA
La prédiction AI est une continuation des concepts autour de lanalyse prédictive, avec une différence clé: le système dIA est capable de faire des hypothèses, de tester et dapprendre de manière autonome.
AI est lune des techniques les plus utilisées pour le marketing hyper-personnalisé. Le machine learning IA fait des hypothèses, réévalue le modèle et réévalue les données, le tout sans lintervention dun humain. Cela change tout.
Tout comme lIA signifie quun ingénieur humain na pas besoin de coder pour chaque action / réaction possible, lapprentissage automatique de lIA est capable de tester et de retester les données pour prédire chaque produit client possible match, à une vitesse et à des capacités quaucun humain ne pourrait atteindre.
De nombreuses entreprises comme Technostacks dépendent aujourdhui dalgorithmes dapprentissage automatique pour mieux comprendre leurs clients et les opportunités de revenus potentielles. Des centaines dalgorithmes dapprentissage automatique existants et récemment développés sont appliqués pour générer des prédictions haut de gamme qui guident les décisions en temps réel avec moins de recours à lintervention humaine.