Bästa svaret
Från http://nips.cc/Conferences/2007/Program/event.php?ID=573
Strukturerad förutsägelse är ett ramverk för lösa problem med klassificering eller regression där outputvariablerna är ömsesidigt beroende eller begränsade. Dessa beroenden och begränsningar återspeglar sekventiell, rumslig eller kombinatorisk struktur i problemdomänen, och att fånga sådana interaktioner är ofta lika viktigt som att fånga in- och utgångsberoenden. Många sådana problem, inklusive naturlig språkanalys, maskinöversättning, objektsegmentering, genförutsägelse, proteinjustering och många andra uppgifter inom beräkningslingvistik, tal, syn, biologi, är inte nya. De senaste framstegen har emellertid lett till en enhetlig syn, effektiv metodik och ännu viktigare, betydande noggrannhetsförbättringar för både klassiska och nya problem. Denna handledning kommer att förklara de grundläggande beräknings- och statistiska utmaningarna som följer av ingångarnas högdimensionalitet och den exponentiella explosionen av antalet möjliga gemensamma resultat. Jag kommer att beskriva sammanflödet av utvecklingen inom flera områden för att lösa dessa utmaningar för breda klasser av problem: stora marginal- och onlinemetoder för förutsägelse, variationella metoder för grafisk modellinferens och storskalig kombinatorisk och konvex optimering. Jag kommer också att beskriva flera öppna frågor med särskild svårighet i strukturerad förutsägelse, inklusive asymptotisk konsistens, effekterna av ungefärlig inferens, halvövervakad och svagt övervakad inlärning.
Termen definieras i motsats till ”Klassificering”. Löst, med vissa inmatningsdata x, tilldela en etikett y för den informationen, dvs är detta e-post skräppost? Har denna patient en sjukdom? ”Structured Prediction” försöker svara, med viss ingångsdata x, att hitta den bästa strukturen y relaterad till den informationen. Denna skillnad är viktig när y kommer från en stor / exponentiell uppsättning möjligheter, som i översättning, vilket innebär att någon form av sökning behövs för att lösa problemet. Inramningen av problemet på detta sätt belyser avvägningen mellan sökning och lärande. Att välja snabbare söktekniker över y kan leda till grundare representationer av funktioner och sämre prestanda.
Svar
Mänskliga förutsägelser baseras på historisk data och är beroende av mänsklig interaktion för att fråga data, validera mönster , skapa och testa antaganden.
Mänskliga prediktiva analysapplikationer involverar tre grundläggande komponenter:
- Data: Effektiviteten för varje prediktiv modell beror starkt på kvaliteten på de historiska data den behandlar.
- Statistisk modellering: Inkluderar de olika statistiska teknikerna allt från grundläggande till komplexa funktioner som används för härledning av mening, insikt och slutsats. Regression är den vanligaste statistiska tekniken.
- Antaganden: Slutsatserna från samlade och analyserade data antar vanligtvis att framtiden kommer att följa ett mönster relaterade till det förflutna.
Mänskliga förutsägelser kan tillämpas på många sätt för att öka företagens produktivitet. Förutsägbara insikter som härrör från dataanalys är extremt användbara för marknadsförare. De kan hjälpa till att förutsäga kampanjeffektivitet, informera beslutsfattande om säkerheter, geografiska marknader och demografi att rikta sig till. Men ju mer detaljerad önskan att rikta in och segmentera, desto högre krav på tid och kostnad, vilket gör framgångsrik, hyperpersonaliserad kampanj nästan omöjlig.
AI-förutsägelser
AI-förutsägelse är en fortsättning på begreppen kring prediktiv analys, med en viktig skillnad: AI-systemet kan göra antaganden, testa och lära sig självständigt.
AI är en av de mest framträdande teknikerna som används för hyperpersonaliserad marknadsföring. AI-maskininlärning gör antaganden, omvärderar modellen och omvärderar data, allt utan en människas ingripande. Detta ändrar allt.
Precis som AI betyder att en mänsklig ingenjör inte behöver koda för varje möjlig åtgärd / reaktion, kan AI-maskininlärning testa och testa om data för att förutsäga alla möjliga kundprodukter matcha, med en hastighet och förmåga som ingen människa kunde uppnå.
Många företag som Technostacks idag är beroende av maskininlärningsalgoritmer för att bättre förstå sina kunder och potentiella intäktsmöjligheter. Hundratals befintliga och nyutvecklade maskininlärningsalgoritmer används för att få fram avancerade förutsägelser som styr realtidsbeslut med mindre beroende av mänsklig intervention.