Legjobb válasz
From http://nips.cc/Conferences/2007/Program/event.php?ID=573
A strukturált előrejelzés keretet ad osztályozási vagy regressziós problémák megoldása, amelyekben a kimeneti változók kölcsönösen függenek vagy korlátozottak. Ezek a függőségek és megszorítások szekvenciális, térbeli vagy kombinatorikus struktúrát tükröznek a problématerületen, és az ilyen kölcsönhatások rögzítése gyakran ugyanolyan fontos, mint a bemeneti-kimeneti függőségek rögzítése. Sok ilyen probléma, beleértve a természetes nyelv elemzését, a gépi fordítást, az objektum szegmentálását, a génjóslást, a fehérje összehangolását és számos más feladatot a számítási nyelvészetben, a beszédben, a látásban, a biológiában, nem új keletű. A legújabb fejlemények azonban egységes nézetet, hatékony módszertant, és ami még fontosabb, jelentős pontosságjavulást eredményeztek mind a klasszikus, mind az új problémák esetében. Ez a bemutató elmagyarázza az alapvető számítási és statisztikai kihívásokat, amelyek a bemenetek nagy dimenziósságából és a lehetséges közös eredmények számának exponenciális robbanásából adódnak. Ismertetem a fejlesztések összefolyását több területen e kihívások megoldása során a problémák széles csoportjaira vonatkozóan: nagy margó és online módszerek az előrejelzésre, variációs módszerek a grafikus modell következtetésére, valamint nagy léptékű kombinatorikus és konvex optimalizálás. Felvázolok több olyan nyitott kérdést is, amelyek különösen nehézek a strukturált előrejelzésben, beleértve az aszimptotikus konzisztenciát, a hozzávetőleges következtetés, a félig felügyelt és gyengén felügyelt tanulás hatásait.
A kifejezést a „Osztályozás” szembeállítva határozzák meg. Lazán, bizonyos x bemeneti adatokra való tekintettel rendelj hozzá egy y címkét ezekhez az adatokhoz, vagyis ez az e-mail spam? Van-e ennek a betegnek betegsége? A “strukturált előrejelzés” megkísérli megválaszolni az x bemeneti adatokat, és megtalálja az adatokhoz kapcsolódó legjobb y struktúrát. Ez a megkülönböztetés akkor fontos, ha y egy nagy / exponenciális lehetőséghalmazból származik, például a fordításban, ami azt jelenti, hogy valamilyen keresésre van szükség a probléma megoldásához. A probléma ilyen jellegű kialakítása rávilágít a keresés és a tanulás közötti kompromisszumra. Gyorsabb keresési technikák választása y-nál alacsonyabb funkciók reprezentációhoz és rosszabb teljesítményhez vezethet.
Válasz
Az emberi jóslatok történelmi adatokon alapulnak, és az emberi interakcióra támaszkodnak az adatok lekérdezéséhez, a minták validálásához , hozzon létre, majd teszteljen feltételezéseket.
Az emberi prediktív elemző alkalmazások három alapvető összetevőt tartalmaznak:
- Data: Minden prediktív modell hatékonysága nagymértékben függ az általa feldolgozott történelmi adatok minőségétől.
- Statisztikai modellezés: magában foglalja a különféle statisztikai technikákat kezdve az alapvető és a jelentés, betekintés és következtetés levezetéséhez használt komplex funkciókig. A regresszió a leggyakrabban használt statisztikai technika.
- Feltételezések: Az összegyűjtött és elemzett adatokból levont következtetések általában azt feltételezik, hogy a jövő mintát követ. a múlttal kapcsolatos.
Az emberi jóslatok számos módon alkalmazhatók az üzleti termelékenység növelése érdekében. Az adatelemzésből származó prediktív betekintés rendkívül hasznos a marketingszakemberek számára. Segíthetnek a kampány hatékonyságának előrejelzésében, tájékoztathatják a biztosítékokkal, a földrajzi piacokkal és a célzott demográfiai adatokkal kapcsolatos döntéshozatalt. De minél részletesebb a célzási és szegmentálódási vágy, annál magasabb az idő- és költségigény, ami szinte lehetetlenné teszi a sikeres, hiper-személyre szabott kampányt.
AI előrejelzések
Az AI előrejelzés a prediktív elemzés körüli koncepciók folytatása, egyetlen fő különbséggel: Az AI rendszer képes feltételezéseket készíteni, önállóan tesztelni és tanulni.
AI az egyik legkiemelkedőbb technika, amelyet a hiper-személyre szabott marketinghez használnak. Az AI gépi tanulás feltételezéseket tesz, újraértékeli a modellt és újraértékeli az adatokat, mindezt emberi beavatkozás nélkül. Ez mindent megváltoztat.
Csakúgy, mint az AI azt jelenti, hogy az emberi mérnöknek nem kell kódolnia minden lehetséges cselekvést / reakciót, az AI gépi tanulás képes tesztelni és újratesztelni az adatokat, hogy megjósolja az összes lehetséges ügyfél-terméket egyezik, olyan sebességgel és képességgel, amelyet ember nem érhet el.
Sok vállalat, például a Technostacks , ma a gépi tanulási algoritmusoktól függ, hogy jobban megértse ügyfeleit. és a potenciális bevételi lehetőségeket. Több száz létező és újonnan kifejlesztett gépi tanulási algoritmust alkalmaznak olyan csúcskategóriás előrejelzések levezetésére, amelyek valós idejű döntéseket vezetnek, kevésbé támaszkodva az emberi beavatkozásra.