Beste Antwort
Von http://nips.cc/Conferences/2007/Program/event.php?ID=573
Strukturierte Vorhersage ist ein Rahmen für Lösen von Klassifizierungs- oder Regressionsproblemen, bei denen die Ausgabevariablen voneinander abhängig oder eingeschränkt sind. Diese Abhängigkeiten und Einschränkungen spiegeln die sequentielle, räumliche oder kombinatorische Struktur in der Problemdomäne wider, und die Erfassung solcher Interaktionen ist häufig genauso wichtig wie die Erfassung von Eingabe-Ausgabe-Abhängigkeiten. Viele dieser Probleme, einschließlich der Analyse natürlicher Sprache, der maschinellen Übersetzung, der Objektsegmentierung, der Genvorhersage, der Proteinausrichtung und zahlreicher anderer Aufgaben in den Bereichen Computerlinguistik, Sprache, Vision und Biologie, sind nicht neu. Die jüngsten Fortschritte haben jedoch zu einer einheitlichen Sichtweise, einer effizienten Methodik und vor allem zu signifikanten Genauigkeitsverbesserungen sowohl für klassische als auch für neuartige Probleme geführt. In diesem Tutorial werden die grundlegenden rechnerischen und statistischen Herausforderungen erläutert, die sich aus der hohen Dimensionalität der Eingaben und der exponentiellen Explosion der Anzahl möglicher gemeinsamer Ergebnisse ergeben. Ich werde den Zusammenfluss von Entwicklungen in verschiedenen Bereichen bei der Lösung dieser Herausforderungen für breite Problemklassen beschreiben: Methoden mit großem Spielraum und Online-Vorhersage, Variationsmethoden für die Inferenz grafischer Modelle sowie kombinatorische und konvexe Optimierung in großem Maßstab. Ich werde auch einige offene Fragen mit besonderen Schwierigkeiten bei der strukturierten Vorhersage skizzieren, einschließlich asymptotischer Konsistenz, der Auswirkungen von ungefährer Inferenz, halbüberwachtem und schwach überwachtem Lernen.
Der Begriff wird im Gegensatz zu „Klassifizierung“ definiert. Weisen Sie diesen Daten bei einigen Eingabedaten x lose eine Bezeichnung y zu, d. H. Handelt es sich um E-Mail-Spam? Hat dieser Patient eine Krankheit? „Strukturierte Vorhersage“ versucht zu antworten, wenn einige Eingabedaten x gegeben sind, um die beste Struktur y zu finden, die mit diesen Daten zusammenhängt. Diese Unterscheidung ist wichtig, wenn y aus einer großen / exponentiellen Menge von Möglichkeiten stammt, wie bei der Übersetzung, was impliziert, dass eine Art Suche erforderlich ist, um das Problem zu lösen. Wenn Sie das Problem auf diese Weise formulieren, wird der Kompromiss zwischen Suche und Lernen hervorgehoben. Die Auswahl schnellerer Suchtechniken gegenüber y kann zu flacheren Merkmalsdarstellungen und einer schlechteren Leistung führen.
Antwort
Menschliche Vorhersagen basieren auf historischen Daten und beruhen auf menschlicher Interaktion, um Daten abzufragen und Muster zu validieren Erstellen Sie Annahmen und testen Sie sie.
Human Predictive Analytics-Anwendungen umfassen drei grundlegende Komponenten:
- Daten: Die Wirksamkeit jedes Vorhersagemodells hängt stark von der Qualität der von ihm verarbeiteten historischen Daten ab.
- Statistische Modellierung: Beinhaltet die verschiedenen statistischen Techniken von grundlegenden bis zu komplexen Funktionen, die zur Ableitung von Bedeutung, Einsicht und Folgerung verwendet werden. Regression ist die am häufigsten verwendete statistische Methode.
- Annahmen: Die Schlussfolgerungen aus gesammelten und analysierten Daten gehen normalerweise davon aus, dass die Zukunft einem Muster folgen wird im Zusammenhang mit der Vergangenheit.
Menschliche Vorhersagen können auf vielfältige Weise angewendet werden, um die Unternehmensproduktivität zu steigern. Aus Datenanalysen abgeleitete prädiktive Erkenntnisse sind für Vermarkter äußerst nützlich. Sie können dabei helfen, die Wirksamkeit von Kampagnen vorherzusagen und Entscheidungen über Sicherheiten, geografische Märkte und demografische Ziele zu treffen. Je detaillierter der Wunsch nach Ausrichtung und Segmentierung ist, desto höher ist jedoch der Zeit- und Kostenaufwand, der eine erfolgreiche, hyperpersonalisierte Kampagne nahezu unmöglich macht.
AI-Vorhersagen
Die KI-Vorhersage ist eine Fortsetzung der Konzepte rund um die prädiktive Analytik, mit einem wesentlichen Unterschied: Das KI-System kann Annahmen treffen, autonom testen und lernen.
KI ist eine der bekanntesten Techniken für hyperpersonalisiertes Marketing. KI-Maschinelles Lernen macht Annahmen, bewertet das Modell neu und bewertet die Daten neu, alles ohne die Intervention eines Menschen. Dies ändert alles.
So wie AI bedeutet, dass ein menschlicher Ingenieur nicht für jede mögliche Aktion / Reaktion codieren muss, kann AI Machine Learning Daten testen und erneut testen, um jedes mögliche Kundenprodukt vorherzusagen Mit einer Geschwindigkeit und Fähigkeit, die kein Mensch erreichen kann.
Viele Unternehmen wie Technostacks sind heute auf Algorithmen für maschinelles Lernen angewiesen, um ihre Kunden besser zu verstehen und potenzielle Umsatzmöglichkeiten. Hunderte von vorhandenen und neu entwickelten Algorithmen für maschinelles Lernen werden angewendet, um High-End-Vorhersagen abzuleiten, die Echtzeitentscheidungen leiten, ohne auf menschliches Eingreifen angewiesen zu sein.