Beste svaret
Fra http://nips.cc/Conferences/2007/Program/event.php?ID=573
Strukturert prediksjon er et rammeverk for løse problemer med klassifisering eller regresjon der utgangsvariablene er gjensidig avhengige eller begrenset. Disse avhengighetene og begrensningene gjenspeiler sekvensiell, romlig eller kombinatorisk struktur i problemdomenet, og å fange slike interaksjoner er ofte like viktig som å fange inn-og ut-avhengigheter. Mange slike problemer, inkludert naturlig språkanalyse, maskinoversettelse, objektsegmentering, genforutsigelse, proteinjustering og mange andre oppgaver innen beregningslingvistikk, tale, syn, biologi, er ikke nye. Nylige fremskritt har imidlertid ført til et enhetlig syn, effektiv metodikk og enda viktigere, betydelige nøyaktighetsforbedringer for både klassiske og nye problemer. Denne opplæringen vil forklare de grunnleggende beregnings- og statistiske utfordringene som skyldes den høye dimensjonaliteten til inngangene og den eksponentielle eksplosjonen av antall mulige fellesutfall. Jeg vil beskrive sammenløpet av utviklingen på flere områder i å løse disse utfordringene for store klasser av problemer: stor margin og online metoder for prediksjon, variasjonsmetoder for grafisk modellinferanse og kombinasjons- og konveksoptimalisering i stor skala. Jeg vil også skissere flere åpne problemstillinger med særlig vanskeligheter i strukturert prediksjon, inkludert asymptotisk konsistens, effekten av omtrentlig inferens, semisupervised og svakt overvåket læring.
Begrepet er definert i opposisjon til «Klassifisering.» Løst, gitt noen inndata x, tildeler du en etikett y for disse dataene, dvs. er dette e-post spam? Har denne pasienten en sykdom? «Structured Prediction» forsøker å svare, gitt noen inngangsdata x, finne den beste strukturen y relatert til disse dataene. Dette skillet er viktig når y kommer fra et stort / eksponentielt sett med muligheter, som i oversettelse, noe som innebærer at det er behov for en slags søk for å løse problemet. Innramming av problemet på denne måten fremhever avveiningen mellom søk og læring. Å velge raskere søketeknikker fremfor y kan føre til representasjoner av grunnere funksjoner og dårligere ytelse.
Svar
Menneskelige prediksjoner er basert på historiske data og er avhengige av menneskelig interaksjon for å spørre om data, validere mønstre , opprett og test antagelser.
Menneskelige prediktive analyseprogrammer involverer tre grunnleggende komponenter:
- Data: Effektiviteten til hver prediktiv modell avhenger sterkt av kvaliteten på de historiske dataene den behandler.
- Statistisk modellering: Inkluderer de ulike statistiske teknikkene alt fra grunnleggende til komplekse funksjoner som brukes til avledning av mening, innsikt og slutning. Regresjon er den mest brukte statistiske teknikken.
- Forutsetninger: Konklusjonene fra innsamlede og analyserte data antar vanligvis at fremtiden vil følge et mønster relatert til fortiden.
Menneskelige spådommer kan brukes på mange måter for å forbedre virksomhetens produktivitet. Forutsigende innsikt hentet fra dataanalyse er ekstremt nyttig for markedsførere. De kan bidra til å forutsi kampanjens effektivitet, informere beslutningsprosesser om sikkerhet, geografiske markeder og demografi å målrette mot. Men jo mer detaljert ønsket om å målrette og segmentere, jo høyere tid og kostnadskrav, noe som gjør vellykket, hyperpersonifisert kampanje nesten umulig.
AI-spådommer
AI-prediksjon er en videreføring av konseptene rundt prediktiv analyse, med en nøkkelforskjell: AI-systemet er i stand til å gjøre antagelser, teste og lære autonomt.
AI er en av de mest fremtredende teknikkene som brukes til hyperpersonifisert markedsføring. AI-maskinlæring gir antakelser, vurderer modellen på nytt og vurderer dataene på nytt, alt uten inngrep fra et menneske. Dette endrer alt.
Akkurat som AI betyr at en menneskelig ingeniør ikke trenger å kode for hver eneste handling / reaksjon, er AI maskinlæring i stand til å teste og teste data for å forutsi alle mulige kunde-produkter. match, med en hastighet og evne som ingen mennesker kunne oppnå.
Mange selskaper som Technostacks i dag er avhengige av maskinlæringsalgoritmer for å bedre forstå kundene sine og potensielle inntektsmuligheter. Hundrevis av eksisterende og nyutviklede maskinlæringsalgoritmer brukes til å utlede avanserte spådommer som styrer sanntidsbeslutninger med mindre avhengighet av menneskelig inngripen.