Abstrato

Machine Learning 2018: Análise preditiva: uma visão geral - Vijaykumar Adamapure -Savitribai Phule Pune University

Vijaykumar Adamapure

O exame presciente é o ato de criar pedaços de conhecimento a partir dos dados narrados, utilizando a mineração de informação, a exibição de factos e os métodos de IA para antecipar eventos secretos/obscuros. Na investigação presciente, exemplos de informação e ligação causa-impacto entre o arranjo de fatores são demonstrados cientificamente utilizando a mineração de informação, medições e procedimentos de IA para fazer induções. Este baralho cobre as várias camadas de exame com ênfase na investigação presciente. Esclarece detalhadamente o padrão de existência de um empreendimento de exame presciente comum ao lado de verdadeiros casos de utilização de negócios em vários setores de negócios. Os novos padrões em dispositivos, avanços e estágios acessíveis para cuidar de um empreendimento de exame presciente também foram considerados com as tendências do setor empresarial em mudança e o desenvolvimento de inovações de IA/raciocínio computadorizado. A análise preditiva abrange uma variedade de técnicas estatísticas de processamento de dados, modelação preditiva e aprendizagem automática, que analisam factos atuais e históricos para formar previsões sobre eventos futuros ou desconhecidos. Nos negócios, os modelos preditivos exploram padrões encontrados em dados históricos e transacionais para detetar riscos e oportunidades. Os modelos captam relações entre muitos fatores para permitir a avaliação do risco ou potencial relacionado com um conjunto específico de condições, orientando a tomada de decisões para as transações candidatas. O efeito funcional definidor destas abordagens técnicas é que a análise preditiva fornece uma pontuação preditiva (probabilidade) para cada indivíduo (cliente, funcionário, doente de saúde, SKU do produto, veículo, componente, máquina ou outra unidade organizacional) para resolver, informar ou influenciar processos organizacionais que dizem respeito a um grande número de pessoas, como o marketing, a avaliação do risco de crédito, a deteção de fraudes, a fabricação, a saúde e as operações governamentais, incluindo a aplicação da lei. A análise preditiva é utilizada na ciência atuarial, marketing, serviços financeiros, seguros, telecomunicações, retalho, viagens, mobilidade, saúde, proteção infantil, produtos farmacêuticos, planeamento de capacidade, redes sociais e outras áreas. Uma das aplicações mais conhecidas é a pontuação de crédito, empregue em todos os serviços financeiros. Os modelos de pontuação processam o histórico de crédito, a aplicação, os dados do cliente, etc. A modelação preditiva utiliza modelos preditivos para pesquisar a ligação entre o desempenho preciso de uma unidade durante uma amostra e um ou mais atributos ou características conhecidas da unidade. O objetivo do modelo é avaliar a probabilidade de uma unidade idêntica numa amostra diferente exibir o desempenho exato. Esta categoria abrange modelos em muitas áreas, como o marketing, onde caçam padrões subtis de dados para responder a perguntas sobre o desempenho do cliente,ou modelos de deteção de fraude. Os modelos preditivos geralmente realizam cálculos durante as transações ao vivo, por exemplo, para avaliar o perigo ou a oportunidade de um determinado cliente ou transação, de modo a orientar uma escolha. Com os avanços na velocidade de computação, os sistemas de modelação de agentes individuais tornaram-se capazes de simular o comportamento humano ou reações a determinados estímulos ou cenários. As unidades de amostra disponíveis com atributos e desempenhos conhecidos são mencionadas como "amostra de treino" . As unidades noutras amostras, com atributos conhecidos, mas desempenho desconhecido, são mencionadas como unidades "fora da amostra [de treino]". As unidades fora da amostra não têm necessariamente uma relação cronológica com as unidades amostrais de treino. Por exemplo, a amostra de formação pode conter atributos literários de escritos de autores vitorianos, com atribuição conhecida e, portanto, a unidade fora da amostra também pode ser escrita recentemente encontrada com autoria desconhecida; um modelo preditivo pode ajudar a atribuir uma peça a um autor conhecido. Outro exemplo é dado pela análise de salpicos de sangue em cenas de crime simuladas, durante as quais a unidade fora da amostra é o padrão real de salpicos de sangue de uma cena de crime. A unidade fora da amostra pode também ser de um período equivalente às unidades de treino, de um período anterior ou de um período futuro. Biografia: Vijaykumar Adamapure Líder em ciência de dados com sabor empreendedor; adotando a analítica avançada para tomar decisões de negócio mais inteligentes e eficazes, transformando dados em produtos. Em todas as funções anteriores, iniciei operações de ciência de dados a partir do zero e trabalhei em estreita colaboração com a equipa de liderança para determinar e executar estratégias de dados, tecnologia, aprendizagem automática e inteligência artificial.A unidade fora da amostra pode também ser de um período equivalente às unidades de treino, de um período anterior ou de um período futuro. Biografia: Vijaykumar Adamapure Líder em ciência de dados com sabor empreendedor; adotando a analítica avançada para tomar decisões de negócio mais inteligentes e eficazes, transformando dados em produtos. Em todas as funções anteriores, iniciei operações de ciência de dados a partir do zero e trabalhei em estreita colaboração com a equipa de liderança para determinar e executar estratégias de dados, tecnologia, aprendizagem automática e inteligência artificial.A unidade fora da amostra pode também ser de um período equivalente às unidades de treino, de um período anterior ou de um período futuro. Biografia: Vijaykumar Adamapure Líder em ciência de dados com sabor empreendedor; adotando a analítica avançada para tomar decisões de negócio mais inteligentes e eficazes, transformando dados em produtos. Em todas as funções anteriores, iniciei operações de ciência de dados a partir do zero e trabalhei em estreita colaboração com a equipa de liderança para determinar e executar estratégias de dados, tecnologia, aprendizagem automática e inteligência artificial.