Abstrait

Machine Learning 2018 : Analyse prédictive : Un aperçu - Vijaykumar Adamapure -Savitribai Phule Pune University

Vijaykumar Adamapure

L'analyse prédictive est l'acte de créer des éléments de connaissance à partir des informations enregistrées en utilisant l'exploration de données, l'affichage des faits et les techniques d'IA pour anticiper les événements secrets/obscurs. Dans l'analyse prédictive, les exemples de données et la relation de cause à effet entre l'ensemble des facteurs sont scientifiquement démontrés en utilisant l'exploration de données, les mesures et les procédures d'IA pour créer des inductions. Ce dossier couvre les différentes couches de l'analyse en mettant l'accent sur l'analyse prédictive. Il explique en détail le modèle d'existence d'un projet d'analyse prédictive standard ainsi que les cas d'utilisation commerciale réels dans les différents secteurs d'activité. Les nouvelles tendances en matière d'outils, d'avancées et de niveaux disponibles pour gérer un projet d'analyse prédictive sont également prises en compte dans l'évolution des tendances du secteur et dans les innovations en matière d'IA/de raisonnement informatisé. L'analyse prédictive englobe une gamme de techniques statistiques issues du traitement de données, de la modélisation prédictive et de l'apprentissage automatique, qui analysent les faits actuels et historiques pour former des prédictions sur des événements futurs ou autrement inconnus. En affaires, les modèles prédictifs exploitent les modèles trouvés dans les données historiques et transactionnelles pour repérer les risques et les opportunités. Les modèles capturent les relations entre de nombreux facteurs pour permettre l'évaluation du risque ou du potentiel lié à un ensemble spécifique de conditions, guidant la prise de décision pour les transactions candidates. L'effet fonctionnel déterminant de ces approches techniques est que l'analyse prédictive fournit un score prédictif (probabilité) pour chaque individu (client, employé, patient de soins de santé, référence de produit, véhicule, composant, machine ou autre unité organisationnelle) afin de déterminer, d'informer ou d'influencer les processus organisationnels qui concernent un grand nombre de personnes, comme dans le marketing, l'évaluation du risque de crédit, la détection des fraudes, la fabrication, les soins de santé et les opérations gouvernementales, y compris l'application de la loi. L'analyse prédictive est utilisée dans les sciences actuarielles, le marketing, les services financiers, les assurances, les télécommunications, la vente au détail, les voyages, la mobilité, les soins de santé, la protection de l'enfance, les produits pharmaceutiques, la planification des capacités, les réseaux sociaux et d'autres domaines. L'une des applications les plus connues est la notation de crédit, qui est utilisée dans tous les services financiers. Les modèles de notation traitent l'historique de crédit d'un client, sa demande, ses données client, etc., afin de classer les individus en fonction de leur probabilité d'effectuer des paiements de crédit futurs à temps. La modélisation prédictive utilise des modèles prédictifs pour rechercher le lien entre la performance précise d'une unité au cours d'un échantillon et un ou plusieurs attributs ou caractéristiques connus de l'unité. L'objectif du modèle est d'évaluer la probabilité qu'une unité identique au cours d'un échantillon différent présente la performance précise. Cette catégorie englobe des modèles dans de nombreux domaines, comme le marketing, où ils recherchent des modèles de données subtils pour répondre à des questions sur les performances des clients.ou des modèles de détection de fraude. Les modèles prédictifs effectuent souvent des calculs pendant des transactions en direct, par exemple pour évaluer le danger ou l'opportunité d'un client ou d'une transaction donnée, afin de guider un choix. Avec les progrès de la vitesse de calcul, les systèmes de modélisation d'agents individuels sont devenus capables de simuler le comportement humain ou les réactions à des stimuli ou scénarios donnés. Les unités d'échantillon disponibles avec des attributs connus et des performances connues sont mentionnées comme « l'échantillon d'entraînement ». Les unités dans d'autres échantillons, avec des attributs connus mais des performances inconnues, sont mentionnées comme des unités « hors échantillon [d'entraînement] ». Les unités hors échantillon n'ont pas nécessairement de relation chronologique avec les unités d'échantillon d'entraînement. Par exemple, l'échantillon d'entraînement peut contenir des attributs littéraires d'écrits d'auteurs victoriens, avec une attribution connue, et donc l'unité hors échantillon pourrait également être une écriture nouvellement trouvée avec une paternité inconnue ; un modèle prédictif peut aider à attribuer une œuvre à un auteur connu. Un autre exemple est donné par l'analyse des éclaboussures de sang dans des scènes de crime simulées au cours desquelles l'unité hors échantillon est le motif réel d'éclaboussures de sang d'une scène d'infraction criminelle. L'unité hors échantillon peut également provenir d'une période équivalente à celle des unités de formation, d'une période antérieure ou d'une période future. Biographie : Vijaykumar Adamapure Leader en science des données avec une saveur entrepreneuriale ; adoptant des analyses avancées pour prendre des décisions commerciales plus intelligentes et efficaces en transformant les données en produits. Dans tous les rôles passés, j'ai démarré des opérations de science des données à partir de zéro et j'ai travaillé en étroite collaboration avec l'équipe de direction pour déterminer et exécuter des stratégies de données, de technologie, d'apprentissage automatique et d'intelligence artificielle.L'unité hors échantillon peut également provenir d'une période équivalente à celle des unités de formation, d'une période antérieure ou d'une période future. Biographie : Vijaykumar Adamapure Leader en science des données avec une saveur entrepreneuriale ; adoptant des analyses avancées pour prendre des décisions commerciales plus intelligentes et efficaces en transformant les données en produits. Dans tous les rôles passés, j'ai démarré des opérations de science des données à partir de zéro et j'ai travaillé en étroite collaboration avec l'équipe de direction pour déterminer et exécuter des stratégies de données, de technologie, d'apprentissage automatique et d'intelligence artificielle.L'unité hors échantillon peut également provenir d'une période équivalente à celle des unités de formation, d'une période antérieure ou d'une période future. Biographie : Vijaykumar Adamapure Leader en science des données avec une saveur entrepreneuriale ; adoptant des analyses avancées pour prendre des décisions commerciales plus intelligentes et efficaces en transformant les données en produits. Dans tous les rôles passés, j'ai démarré des opérations de science des données à partir de zéro et j'ai travaillé en étroite collaboration avec l'équipe de direction pour déterminer et exécuter des stratégies de données, de technologie, d'apprentissage automatique et d'intelligence artificielle.