Migliore risposta
Da http://nips.cc/Conferences/2007/Program/event.php?ID=573
La previsione strutturata è un framework per risolvere problemi di classificazione o regressione in cui le variabili di output sono reciprocamente dipendenti o vincolate. Queste dipendenze e vincoli riflettono la struttura sequenziale, spaziale o combinatoria nel dominio del problema e lacquisizione di tali interazioni è spesso importante quanto lacquisizione delle dipendenze input-output. Molti di questi problemi, tra cui lanalisi del linguaggio naturale, la traduzione automatica, la segmentazione degli oggetti, la previsione genica, lallineamento delle proteine e numerosi altri compiti in linguistica computazionale, linguaggio, visione, biologia, non sono nuovi. Tuttavia, i recenti progressi hanno portato a una visione unificata, una metodologia efficiente e, soprattutto, miglioramenti significativi dellaccuratezza per problemi sia classici che nuovi. Questo tutorial spiegherà le fondamentali sfide computazionali e statistiche derivanti dallelevata dimensionalità degli input e dallesplosione esponenziale del numero di possibili risultati congiunti. Descriverò la confluenza degli sviluppi in diverse aree nella risoluzione di queste sfide per vaste classi di problemi: metodi a grande margine e online per la previsione, metodi variazionali per linferenza del modello grafico e ottimizzazione combinatoria e convessa su larga scala. Descriverò anche diverse questioni aperte di particolare difficoltà nella predizione strutturata, tra cui la consistenza asintotica, gli effetti dellinferenza approssimativa, lapprendimento semisupervised e debolmente supervisionato.
Il termine è definito in opposizione a “Classificazione”. Vagamente, dati alcuni dati di input x, assegna unetichetta y per quei dati, ad es. Questa email è spam? Questo paziente ha una malattia? “Previsione strutturata” tenta di rispondere, dati alcuni dati di input x, trova la migliore struttura y relativa a quei dati. Questa distinzione è importante quando y proviene da un insieme ampio / esponenziale di possibilità, come nella traduzione, il che implica che è necessaria una sorta di ricerca per risolvere il problema. Inquadrare il problema in questo modo evidenzia il compromesso tra ricerca e apprendimento. La scelta di tecniche di ricerca più veloci rispetto a y può portare a rappresentazioni delle caratteristiche meno profonde e prestazioni peggiori.
Risposta
Le previsioni umane si basano su dati storici e si basano sullinterazione umana per eseguire query sui dati e convalidare i modelli , creare e quindi verificare le ipotesi.
Le applicazioni di analisi predittiva umana coinvolgono tre componenti fondamentali:
- Dati: Lefficacia di ogni modello predittivo dipende fortemente dalla qualità dei dati storici che elabora.
- Modellazione statistica: include le varie tecniche statistiche che vanno dalle funzioni di base a quelle complesse utilizzate per la derivazione di significato, intuizione e inferenza. La regressione è la tecnica statistica più comunemente utilizzata.
- Presupposti: le conclusioni tratte dai dati raccolti e analizzati di solito presumono che il futuro seguirà uno schema relative al passato.
Le previsioni umane possono essere applicate in molti modi per migliorare la produttività aziendale. Le informazioni predittive derivate dallanalisi dei dati sono estremamente utili per i professionisti del marketing. Possono aiutare a prevedere lefficacia della campagna, informare il processo decisionale su collaterali, mercati geografici e dati demografici da raggiungere. Ma più dettagliato è il desiderio di targetizzare e segmentare, maggiori saranno i tempi e i costi richiesti, rendendo quasi impossibile campagne di successo e iper-personalizzate.
Previsioni AI
La previsione dellIA è una continuazione dei concetti sullanalisi predittiva, con una differenza fondamentale: il sistema di intelligenza artificiale è in grado di formulare ipotesi, testare e apprendere in modo autonomo.
AI è una delle tecniche più importanti utilizzate per il marketing iper-personalizzato. Il machine learning AI fa ipotesi, rivaluta il modello e rivaluta i dati, il tutto senza lintervento di un essere umano. Questo cambia tutto.
Proprio come lintelligenza artificiale significa che un ingegnere umano non ha bisogno di codificare per ogni possibile azione / reazione, lapprendimento automatico dellIA è in grado di testare e ritestare i dati per prevedere ogni possibile prodotto-cliente ad una velocità e capacità che nessun essere umano potrebbe raggiungere.
Molte aziende come Technostacks oggi dipendono da algoritmi di machine learning per comprendere meglio i propri clienti e potenziali opportunità di guadagno. Centinaia di algoritmi di apprendimento automatico esistenti e di nuova concezione vengono applicati per derivare previsioni di fascia alta che guidano le decisioni in tempo reale con meno affidamento sullintervento umano.