Najlepsza odpowiedź
Źródło http://nips.cc/Conferences/2007/Program/event.php?ID=573
Prognozowanie strukturalne to struktura rozwiązywanie problemów klasyfikacji lub regresji, w których zmienne wyjściowe są wzajemnie zależne lub ograniczone. Te zależności i ograniczenia odzwierciedlają sekwencyjną, przestrzenną lub kombinatoryczną strukturę w dziedzinie problemu, a uchwycenie takich interakcji jest często tak samo ważne, jak wychwycenie zależności wejścia-wyjścia. Wiele takich problemów, w tym analiza języka naturalnego, tłumaczenie maszynowe, segmentacja obiektów, przewidywanie genów, wyrównanie białek i wiele innych zadań w lingwistyce obliczeniowej, mowie, wzroku, biologii, nie jest nowych. Jednak ostatnie postępy przyniosły jednolity pogląd, wydajną metodologię i, co ważniejsze, znaczną poprawę dokładności zarówno dla klasycznych, jak i nowych problemów. W tym samouczku wyjaśnione zostaną podstawowe wyzwania obliczeniowe i statystyczne wynikające z dużej wymiarowości danych wejściowych i wykładniczej eksplozji liczby możliwych połączonych wyników. Opiszę zbieżność osiągnięć w kilku obszarach w rozwiązywaniu tych wyzwań dla szerokich klas problemów: metody przewidywania z dużym marginesem i online, metody wariacyjne wnioskowania o modelu graficznym oraz optymalizacja kombinatoryczna i wypukła na dużą skalę. Przedstawię również kilka otwartych kwestii, które szczególnie utrudniają przewidywanie strukturalne, w tym spójność asymptotyczną, skutki wnioskowania przybliżonego, uczenie się częściowo i słabo nadzorowane.
Termin jest definiowany w opozycji do „Klasyfikacja”. Luźno, mając pewne dane wejściowe x, przypisz etykietę y do tych danych, tj. Czy ta wiadomość e-mail jest spamem? Czy ten pacjent ma chorobę? „Structured Prediction” próbuje odpowiedzieć, mając pewne dane wejściowe x, znaleźć najlepszą strukturę y związaną z tymi danymi. To rozróżnienie jest ważne, gdy y pochodzi z dużego / wykładniczego zestawu możliwości, jak w tłumaczeniu, co oznacza, że do rozwiązania problemu potrzebne są jakieś poszukiwania. Ujęcie problemu w ten sposób podkreśla kompromis między wyszukiwaniem a uczeniem się. Wybór szybszych technik wyszukiwania w ciągu y może prowadzić do płytszych reprezentacji cech i gorszej wydajności.
Odpowiedź
Ludzkie prognozy opierają się na danych historycznych i opierają się na interakcji człowieka przy wyszukiwaniu danych i sprawdzaniu wzorców , stwórz, a następnie przetestuj założenia.
Aplikacje do analizy predykcyjnej człowieka obejmują trzy podstawowe elementy:
- Dane: Skuteczność każdego modelu predykcyjnego w dużej mierze zależy od jakości przetwarzanych przez niego danych historycznych.
- Modelowanie statystyczne: Obejmuje różne techniki statystyczne od podstawowych po złożone funkcje wykorzystywane do wyprowadzania znaczenia, wglądu i wnioskowania. Regresja jest najczęściej stosowaną techniką statystyczną.
- Założenia: Wnioski wyciągnięte z zebranych i przeanalizowanych danych zwykle zakładają, że przyszłość będzie podążać według wzoru związane z przeszłością.
Ludzkie przewidywania można zastosować na wiele sposobów, aby zwiększyć produktywność firmy. Spostrzeżenia predykcyjne pochodzące z analizy danych są niezwykle przydatne dla marketerów. Mogą pomóc w przewidywaniu skuteczności kampanii, podejmowaniu decyzji dotyczących zabezpieczeń, rynków geograficznych i danych demograficznych. Ale im bardziej szczegółowa chęć kierowania reklam i segmentacji, tym większe wymagania czasowe i kosztowe, co sprawia, że udana, hiper-spersonalizowana kampania jest prawie niemożliwa.
Prognozy AI
Przewidywanie AI jest kontynuacją koncepcji dotyczących analityki predykcyjnej, z jedną kluczową różnicą: system AI jest w stanie samodzielnie przyjmować założenia, testować i uczyć się.
AI to jedna z najbardziej znanych technik wykorzystywanych w hiper-spersonalizowanym marketingu. Uczenie maszynowe AI przyjmuje założenia, ponownie ocenia model i ponownie ocenia dane, a wszystko to bez interwencji człowieka. To wszystko zmienia.
Tak jak sztuczna inteligencja oznacza, że inżynier nie musi kodować dla każdej możliwej akcji / reakcji, tak samo uczenie maszynowe AI jest w stanie testować i ponownie testować dane, aby przewidzieć każdy możliwy produkt klienta dopasować, z szybkością i możliwościami, których żaden człowiek nie mógłby osiągnąć.
Wiele firm, takich jak Technostacks , polega obecnie na algorytmach uczenia maszynowego, aby lepiej zrozumieć swoich klientów i potencjalne możliwości uzyskania przychodów. Setki istniejących i nowo opracowanych algorytmów uczenia maszynowego są stosowane do uzyskiwania zaawansowanych prognoz, które kierują decyzjami w czasie rzeczywistym przy mniejszym uzależnieniu od interwencji człowieka.