Beste antwoord
Van http://nips.cc/Conferences/2007/Program/event.php?ID=573
Gestructureerde voorspelling is een raamwerk voor oplossen van classificatie- of regressieproblemen waarbij de outputvariabelen onderling afhankelijk of beperkt zijn. Deze afhankelijkheden en beperkingen weerspiegelen een sequentiële, ruimtelijke of combinatorische structuur in het probleemdomein, en het vastleggen van dergelijke interacties is vaak net zo belangrijk als het vastleggen van afhankelijkheden tussen input en output. Veel van dergelijke problemen, waaronder het parseren van natuurlijke taal, automatische vertaling, segmentatie van objecten, voorspelling van genen, uitlijning van eiwitten en tal van andere taken in de computationele taalkunde, spraak, visie, biologie, zijn niet nieuw. Recente vorderingen hebben echter geleid tot een uniforme visie, efficiënte methodologie en, nog belangrijker, aanzienlijke verbeteringen in de nauwkeurigheid van zowel klassieke als nieuwe problemen. Deze tutorial zal de fundamentele computationele en statistische uitdagingen uitleggen die voortkomen uit de hoge dimensionaliteit van de inputs en de exponentiële explosie van het aantal mogelijke gezamenlijke resultaten. Ik zal de samenloop van ontwikkelingen op verschillende gebieden beschrijven bij het oplossen van deze uitdagingen voor brede klassen van problemen: grote marge en online methoden voor voorspelling, variatiemethoden voor grafische modelinferentie en grootschalige combinatorische en convexe optimalisatie. Ik zal ook een aantal openstaande kwesties schetsen die bijzonder moeilijk zijn bij gestructureerde voorspelling, waaronder asymptotische consistentie, de effecten van benaderde gevolgtrekking, semi-gecontroleerd en zwak begeleid leren.
De term is gedefinieerd in tegenstelling tot “Classificatie”. Wijs losjes, gegeven sommige invoergegevens x, een label y toe aan die gegevens, d.w.z. Is deze e-mail spam? Heeft deze patiënt een ziekte? “Gestructureerde voorspelling” probeert, gegeven sommige invoergegevens x, de beste structuur y te vinden die verband houdt met die gegevens. Dit onderscheid is belangrijk als y afkomstig is uit een grote / exponentiële set van mogelijkheden, zoals bij vertalingen, wat impliceert dat er een soort van zoeken nodig is om het probleem op te lossen. Door het probleem op deze manier te formuleren, wordt de wisselwerking tussen zoeken en leren benadrukt. Als u snellere zoektechnieken kiest in plaats van y, kan dit leiden tot ondieperere weergave van kenmerken en slechtere prestaties.
Antwoord
Menselijke voorspellingen zijn gebaseerd op historische gegevens en zijn afhankelijk van menselijke interactie om gegevens op te zoeken en patronen te valideren , aannames maken en vervolgens testen.
Toepassingen voor menselijke voorspellende analyse omvatten drie fundamentele componenten:
- Gegevens: De effectiviteit van elk voorspellend model hangt sterk af van de kwaliteit van de historische gegevens die het verwerkt.
- Statistische modellering: omvat de verschillende statistische technieken variërend van basisfuncties tot complexe functies die worden gebruikt voor het afleiden van betekenis, inzicht en gevolgtrekking. Regressie is de meest gebruikte statistische techniek.
- Veronderstellingen: de conclusies die worden getrokken uit verzamelde en geanalyseerde gegevens gaan er meestal van uit dat de toekomst een patroon zal volgen gerelateerd aan het verleden.
Menselijke voorspellingen kunnen op tal van manieren worden toegepast om de bedrijfsproductiviteit te verbeteren. Voorspellende inzichten die zijn afgeleid van data-analyse zijn uitermate nuttig voor marketeers. Ze kunnen helpen de effectiviteit van campagnes te voorspellen en de besluitvorming over onderpand, geografische markten en doelgroepen te informeren. Maar hoe gedetailleerder de wens om te targeten en segmenteren, hoe hoger de tijd- en kostenvereisten, waardoor succesvolle, hypergepersonaliseerde campagnes bijna onmogelijk worden.
AI-voorspellingen
AI-voorspelling is een voortzetting van de concepten rond voorspellende analyse, met één belangrijk verschil: het AI-systeem kan aannames doen, zelfstandig testen en leren.
AI is een van de meest prominente technieken die worden gebruikt voor hypergepersonaliseerde marketing. AI machine learning maakt aannames, beoordeelt het model opnieuw en evalueert de gegevens opnieuw, allemaal zonder tussenkomst van een mens. Dit verandert alles.
Net zoals AI betekent dat een menselijke ingenieur niet voor elke mogelijke actie / reactie hoeft te coderen, kan AI machine learning gegevens testen en opnieuw testen om elk mogelijk klantproduct te voorspellen overeenkomen, met een snelheid en vermogen die geen mens zou kunnen bereiken.
Veel bedrijven zoals Technostacks zijn tegenwoordig afhankelijk van algoritmen voor machine learning om hun klanten beter te begrijpen en potentiële inkomstenkansen. Honderden bestaande en nieuw ontwikkelde algoritmen voor machine learning worden toegepast om hoogwaardige voorspellingen af te leiden die realtime beslissingen sturen met minder afhankelijkheid van menselijke tussenkomst.