Abstracto

Aprendizaje automático 2018: Análisis predictivo: descripción general - Vijaykumar Adamapure - Universidad Savitribai Phule Pune

Vijaykumar Adamapure

El análisis presciente es el acto de crear fragmentos de conocimiento a partir de la información registrada utilizando la minería de datos, la visualización de hechos y las técnicas de IA para anticipar eventos secretos/oscuros. En el análisis presciente, los ejemplos de datos y la relación causa-efecto entre el conjunto de factores se demuestran científicamente utilizando la minería de datos, las mediciones y las técnicas de IA para generar inducciones. Esta presentación cubre las diversas capas de análisis con el énfasis en el análisis presciente. Explica en detalle el patrón de vida de un proyecto de análisis presciente estándar junto con casos de uso comerciales reales en las diversas verticales comerciales. Las nuevas tendencias en dispositivos, tecnologías y plataformas disponibles para gestionar un proyecto de análisis presciente también se consideraron con las tendencias cambiantes del sector comercial y las innovaciones emergentes de inteligencia artificial/inteligencia artificial. El análisis predictivo abarca una variedad de técnicas estadísticas de procesamiento de datos, modelado predictivo y aprendizaje automático, que analizan hechos actuales e históricos para formar predicciones sobre eventos futuros o desconocidos. En los negocios, los modelos predictivos explotan patrones encontrados en datos históricos y transaccionales para detectar riesgos y oportunidades. Los modelos capturan relaciones entre muchos factores para permitir la evaluación del riesgo o potencial relacionado con un conjunto específico de condiciones, guiando la toma de decisiones para las transacciones candidatas. El efecto funcional definitorio de esos enfoques técnicos es que el análisis predictivo proporciona una puntuación predictiva (probabilidad) para cada individuo (cliente, empleado, paciente de atención médica, SKU de producto, vehículo, componente, máquina u otra unidad organizacional) para elaborar, informar o influir en los procesos organizacionales que pertenecen a un gran número de personas, como en marketing, evaluación de riesgo crediticio, detección de fraudes, fabricación, atención médica y operaciones gubernamentales, incluida la aplicación de la ley. El análisis predictivo se utiliza en la ciencia actuarial, el marketing, los servicios financieros, los seguros, las telecomunicaciones, el comercio minorista, los viajes, la movilidad, la atención médica, la protección infantil, los productos farmacéuticos, la planificación de la capacidad, las redes sociales y otros campos. Una de las aplicaciones más conocidas es la puntuación crediticia, que se emplea en todos los servicios financieros. Los modelos de puntuación procesan el historial crediticio de un cliente, la solicitud, los datos del cliente, etc., para clasificar a las personas según su probabilidad de realizar futuros pagos de crédito a tiempo. El modelado predictivo utiliza modelos predictivos para investigar la conexión entre el rendimiento preciso de una unidad durante una muestra y uno o más atributos o características conocidos de la unidad. El objetivo del modelo es evaluar la probabilidad de que una unidad idéntica durante una muestra diferente exhiba el rendimiento preciso. Esta categoría abarca modelos en muchas áreas, como el marketing, donde buscan patrones de datos sutiles para responder preguntas sobre el rendimiento del cliente.o modelos de detección de fraude. Los modelos predictivos a menudo realizan cálculos durante transacciones en vivo, por ejemplo, para medir el peligro o la oportunidad de un cliente o transacción determinados, a fin de orientar una elección. Con los avances en la velocidad de computación, los sistemas de modelado de agentes individuales se volvieron capaces de simular el comportamiento humano o las reacciones a estímulos o escenarios determinados. Las unidades de muestra disponibles con atributos conocidos y rendimientos conocidos se mencionan como la "muestra de entrenamiento". Las unidades en otras muestras, con atributos conocidos pero rendimientos desconocidos, se mencionan como unidades "fuera de la muestra [de entrenamiento]". Las unidades fuera de la muestra no necesariamente tienen una relación cronológica con las unidades de muestra de entrenamiento. Por ejemplo, la muestra de entrenamiento puede contener atributos literarios de escritos de autores victorianos, con atribución conocida, y por lo tanto, la unidad fuera de la muestra también podría ser un escrito recién encontrado con autoría desconocida; un modelo predictivo puede ayudar a atribuir una pieza a un autor conocido. Otro ejemplo lo da el análisis de salpicaduras de sangre en escenas de crímenes simuladas durante las cuales la unidad fuera de la muestra es el patrón de salpicaduras de sangre real de una escena de delito criminal. La unidad fuera de muestra también podría ser de un momento equivalente a las unidades de capacitación, de un momento anterior o de un momento futuro. Biografía: Vijaykumar Adamapure Líder en ciencia de datos con espíritu emprendedor; adopta análisis avanzados para tomar decisiones comerciales más inteligentes y efectivas al convertir los datos en productos. En todos los roles anteriores, comencé operaciones de ciencia de datos desde cero y trabajé en estrecha colaboración con el equipo de liderazgo para determinar y ejecutar estrategias de datos, tecnología, aprendizaje automático e inteligencia artificial.La unidad fuera de muestra también podría ser de un momento equivalente a las unidades de capacitación, de un momento anterior o de un momento futuro. Biografía: Vijaykumar Adamapure Líder en ciencia de datos con espíritu emprendedor; adopta análisis avanzados para tomar decisiones comerciales más inteligentes y efectivas al convertir los datos en productos. En todos los roles anteriores, comencé operaciones de ciencia de datos desde cero y trabajé en estrecha colaboración con el equipo de liderazgo para determinar y ejecutar estrategias de datos, tecnología, aprendizaje automático e inteligencia artificial.La unidad fuera de muestra también podría ser de un momento equivalente a las unidades de capacitación, de un momento anterior o de un momento futuro. Biografía: Vijaykumar Adamapure Líder en ciencia de datos con espíritu emprendedor; adopta análisis avanzados para tomar decisiones comerciales más inteligentes y efectivas al convertir los datos en productos. En todos los roles anteriores, comencé operaciones de ciencia de datos desde cero y trabajé en estrecha colaboración con el equipo de liderazgo para determinar y ejecutar estrategias de datos, tecnología, aprendizaje automático e inteligencia artificial.