Машинне навчання проти прогнозованої аналітики - 7 корисних відмінностей

Різниця між машинним навчанням та прогнозованою аналітикою

Машинне навчання - це сфера в галузі інформатики, яка в цей час зростає стрибками. Нещодавній прогрес у апаратних технологіях, що призвів до значного збільшення обчислювальної потужності, таких як GPU (графічні опрацювальні одиниці) та просування в нейронних мережах, машинне навчання стало гучним словом. По суті, використовуючи методи машинного навчання, ми можемо побудувати алгоритми для вилучення даних і перегляду важливої прихованої інформації з них. Прогностична аналітика також є частиною сфери машинного навчання, яка обмежена для прогнозування майбутнього результату на основі даних на основі попередніх зразків. Хоча прогностична аналітика застосовується вже більше двох десятиліть, головним чином у банківському та фінансовому секторах, останнім часом застосування машинного навчання набуло важливого значення за допомогою таких алгоритмів, як виявлення об'єктів із зображень, текстової класифікації та рекомендаційних систем.

Машинне навчання

Машинне навчання внутрішньо використовує статистику, математику та основи інформатики для побудови логіки для алгоритмів, які можуть робити класифікацію, прогнозування та оптимізацію як у реальному часі, так і в пакетному режимі. Класифікація та регресія - це два основних класи проблеми машинного навчання. Давайте розберемося як в машинному навчанні, так і в прогнозуванні Analytics.

Класифікація

За цими відрізками проблеми ми схильні класифікувати об'єкт на основі його різних властивостей на один або кілька класів. Наприклад, класифікація клієнта банку, який має право на отримання житлового кредиту чи не виходячи з його / її кредитної історії. Зазвичай у нас є доступні дані про транзакцію для клієнта, такі як його вік, дохід, рівень освіти, його досвід роботи, галузь, в якій він працює, кількість утриманців, щомісячні витрати, попередні позики, якщо такі є, його схема витрат, кредитна історія тощо На основі цієї інформації ми б схильні підраховувати, надавати йому позику чи ні.

Існує багато стандартних алгоритмів машинного навчання, які використовуються для вирішення проблеми класифікації. Логістичний регрес - це один із таких методів, мабуть, найбільш широко застосовуваний і найбільш відомий, також найдавніший. Крім цього, у нас також є кілька найсучасніших і складних моделей, починаючи від дерева рішень до випадкових лісів, AdaBoost, XP boost, підтримуючих векторних машин, наївних байків і нейронної мережі. З останніх кількох років глибоке навчання працює на перший план. Зазвичай нейромережа та глибоке навчання використовуються для класифікації зображень. Якщо є сотні тисяч зображень котів і собак, і ви хочете написати код, який може автоматично розділяти зображення котів і собак, можливо, ви захочете скористатися методами глибокого навчання, як конволюційна нейронна мережа. Факел, кафе, потік датчиків тощо - одні з популярних бібліотек python для глибокого вивчення.

Для вимірювання точності регресійних моделей використовуються такі показники, як частота хибнопозитивного, помилково негативна швидкість, чутливість тощо.

Регресія

Регресія - це ще один клас проблем машинного навчання, де ми намагаємось передбачити постійне значення змінної замість класу на відміну від класифікаційних задач. Регресійні методи зазвичай використовуються для прогнозування ціни акцій, ціни продажу будинку чи автомобіля, попиту на певний товар тощо. Коли властивості часових рядів також вступають у гру, проблеми регресії стають дуже цікавими для вирішення. Лінійна регресія з звичайним найменшим квадратом є одним із класичних алгоритмів машинного навчання в цій області. Для моделі, заснованої на часових рядах, використовуються ARIMA, експоненціальна ковзаюча середня величина, зважена ковзаюча середня величина та проста ковзна середня.

Для вимірювання точності регресійних моделей використовуються такі показники, як середня квадратична помилка, абсолютна середня квадратична помилка, квадратна помилка кореневої міри тощо.

Прогнозована аналітика

Існують деякі сфери перекриття між машинним навчанням та прогнозною аналітикою. Хоча загальні методи, такі як логістична та лінійна регресія, підпадають як під машинне навчання, так і прогностичну аналітику, розширені алгоритми, такі як дерево рішень, випадковий ліс тощо, по суті є машинним навчанням. За прогнозної аналітики ціль задач залишається дуже вузькою, де наміром є обчислення значення певної змінної в майбутньому моменті часу. Прогностична аналітика сильно завантажена статистикою, а машинне навчання - це більше суміш статистики, програмування та математики. Типовий прогнозований аналітик витрачає свій час на обчислення t квадрата, f статистики, Innova, chi-квадрата або звичайного найменшого квадрата. Питання, наприклад, чи нормально розподіляються або перекошуються дані, чи слід використовувати розподіл студента чи використовувати криву дзвіночків, якщо альфа приймається на 5% або 10% помилок їх постійно. Вони детально шукають диявола. Інженер з машинного навчання не турбується з багатьма з цих проблем. Їх головний біль зовсім інший, вони виявляються застряглими в підвищенні точності, хибної позитивної мінімізації швидкості, обробці зовнішньої роботи, нормалізації діапазону або валідації до кратного згину.

Прогностичний аналітик здебільшого використовує такі інструменти, як excel. Сценарій або мета пошуку - їх улюблені. Вони періодично використовують VBA або micros і навряд чи пишуть якийсь тривалий код. Інженер машинного навчання витрачає весь час на написання складного коду поза загальним розумінням, він використовує такі інструменти, як R, Python, Saas. Програмування - це їх основна робота, виправлення помилок та тестування на різних ландшафтах щоденного розпорядку.

Ці відмінності також приносять велику різницю у їх попиті та зарплаті. У той час як прогнозовані аналітики вчора такі, машинне навчання - це майбутнє. Типовий інженер машинного навчання або науковець з даних (як його часто називають сьогодні) платять на 60-80% більше, ніж типовий інженер-програміст або прогнозний аналітик з цього питання, і вони є ключовим рушієм у сучасних технологіях. Автомобілі Uber, Amazon, а тепер і автомобілі на самому керуванні також можливі лише через них.

Порівняння «голова до голови» між машинним навчанням та прогнозованою аналітикою (Інфографіка)

Нижче наведено найкращі 7 порівнянь між машинним навчанням та прогнозованою аналітикою

Таблиця порівняння машинного навчання та прогнозованої аналітики

Нижче наведено детальне пояснення машинного навчання проти прогнозування Analytics

Машинне навчання	Прогнозована аналітика
Це загальний термін, що включає різні підполі, включаючи прогностичну аналітику.	Це можна розглядати як підполе машинного навчання.
Сильно орієнтований на кодування.	Переважно стандартне програмне забезпечення, де користувачеві не потрібно сильно кодувати себе
Він вважається породженим з інформатики, тобто інформатика може вважатися батьківською.	Тут можна розглядати статистику як батьківську.
Це технологія завтра.	Так вчора.
Це машина, в якій переважають багато методик, які важко зрозуміти, але працюють як шарм, як глибоке навчання.	У ньому переважають користувачі із прийомами, які повинні бути інтуїтивно зрозумілими та впровадженими користувачем.
Використовуються такі інструменти, як R, Python, SaaS.	Використовуються Excel, SPSS, Minitab.
Він дуже широкий і постійно розширюється.	Він має дуже обмежений обсяг та застосування.

Висновок - Машинне навчання проти прогнозованої аналітики

З вищенаведеного обговорення як машинного навчання, так і прогнозованої аналітики видно, що прогнозна аналітика в основному є підполем машинного навчання. Машинне навчання є більш універсальним і здатне вирішувати широке коло проблем.