请选择 进入手机版 | 继续访问电脑版
楼主: 时光永痕
330 0

[数据挖掘新闻] 机器学习时代的数据建模 [推广有奖]

  • 0关注
  • 14粉丝

svip3

学术权威

12%

(VIP/贵宾)二级

52%

威望
0
论坛币
26 个
通用积分
49.7565
学术水平
4 点
热心指数
4 点
信用等级
4 点
经验
34070 点
帖子
2731
精华
0
在线时间
313 小时
注册时间
2020-7-21
最后登录
2024-3-25

时光永痕 学生认证  发表于 2022-6-28 14:55:54 |显示全部楼层 |坛友微信交流群

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币
机器学习 (ML) 正在为普通业务用户提供卓越的自动化工具,以将他们的领域知识应用于预测分析或客户分析。文章什么是自动机器学习 (AutoML)?讨论了一项预测,即到 2020 年,增强分析能力将在业务分析和商业智能 (BI) 平台的增长(和购买)中发挥关键作用并成为“主要驱动力”。

这些不仅仅是对全球商业领袖的空洞承诺;2017 年,基于 ML 的自动化分析和 BI 时代来临,并从那时起一次改变了一个行业部门。自动化革命并未停止,并可能在未来几年席卷全球企业。AutoML 时代开始使业务用户能够调整现有数据模型并将自定义模型也应用于他们的日常业务情况。

2019 年数据建模趋势谈论数据建模师和数据管理专业人员面临的新挑战。它表明,随着企业之间“业务目标和技术目标不断融合”,数据建模的新时代将迎来“部分自动化、部分手动”的流程,为公民数据科学家提供更多控制权,因此,通过扩展,公民数据建模师。

在 Gartner 的研究中机器学习的准备和架构,机器学习(ML)辅助平台的特点可以概括为:

ML 的隐藏力量在于它通过研究可用数据来学习和改进算法的能力。数据量越大,学习过程越好。将其引入数据模型的创建和管理才刚刚开始被理解
为了使数据管道在 ML 环境中工作,必须将数据架构设计为与底层数据平台一起工作。
ML 最适用于具有大量数据样本的大数据。对此类样本进行建模仍然是一项资源繁重的任务,但即将进行改进
IT 专业人员现在正在将支持 ML 的智能应用到开发和运营活动中,以实现运营效率。
该研究还提出了对现有架构的几项建议升级,以适应和支持机器学习算法的开发和通过机器学习技术完成模型。理想情况下,所选的 ML 平台应与多种类型的 ML 框架互操作,以适应商业包或其他服务提供商。在缺乏内部 ML 专业知识的情况下,公共云可能为 ML 开发工作提供最佳解决方案,因为它具有明显的弹性。

ML 算法的自我训练能力为现代数据平台提供了强大的自动化。博客文章标题为机器学习时代的散列简介 描述了一种称为“散列”的技术,其中将大型数据集与 ML 算法相结合,以自我训练并在数据集上运行经过训练的模型。

机器学习:它提供什么?

越来越多的企业正在寻求数据管理实践和功能的民主化,这样他们就不需要投资于昂贵的数据科学家的成本密集型数据中心;他们也不会聘请重型 IT 专业人员进行日常业务分析和其他数据密集型任务。

全球企业的新梦想是将数据中心带入主要业务走廊,在自动化 AI 技术和工具的帮助下,普通业务用户将能够从桌面执行自行分析和 BI 任务,其中包括机器学习技术。

机器学习:令人兴奋的技术新时代谈论通过使用自动化 ML 技术进行业务预测和寻找问题的解决方案。本文分享了一个普遍的信念,即机器学习技术将赋予普通商业用户超乎想象的能力。这种想象力包括将数据建模等传统实践带入未来,以及通过机器学习技术帮助建模者提高工作效率。

模型管理和机器学习

知识库构建 (KBC) 的复兴:尽管早在 1970 年代知识库构建在专家系统中很流行,但它在某处失去了意义。然而,先进的 ML 研究和开发后来允许 KBC 以 Amazon Alexa 或 Google Assistant 的形式重新出现。KBC 旨在提取通常用于问答、搜索、可视化或监督机器学习建模的信息。
用于数据模型管理的 KBC:知识细胞也可能在数据模型管理中发挥重要作用,这不仅仅是监控模型。如今,模型管理可以帮助企业“持续、安全地开发、验证、交付和监控能够创造竞争优势的模型”。多米诺数据实验室有更多什么是模型管理.
机器学习时代的模型治理

目前,全球企业利用机器学习模型的力量进行关键决策和提取竞争情报。SAS 研究所博客文章机器学习时代的模型治理提供了一个商业案例来支持公司决策中的 ML 模型。它提供了一个警告信号,即数据模型仅与其“输入数据”及其开发过程一样好。换句话说,不良数据肯定会破坏其设计的分析模型的目的。

模型治理是可以监控、评估和验证数据质量和 ML 算法开发过程的框架。甚至自动化模型开发过程也可以使用治理框架来监控整个过程中的每个步骤。

人工智能技术必须依赖最高质量的数据才能使其系统正常工作。Medium 的免费代码营就如何及早检测与数据相关的问题提供一些专家建议,然后使用数据评估阶段应用额外的数据清理步骤,为分析任务准备高质量数据。在深度学习的情况下,重点是“嵌入式数据”,机器可以使用这些数据来获取知识、模仿人类行为并做出预测。在深度学习——人工智能时代机器智能的兴起,讨论了其他与数据质量相关的问题。

用例  

在HOLMeS eHealth 专家系统,深度学习和大数据技术相结合,在医疗保健支持系统上构建人机交互。廉价而强大的计算系统和大数据的易用性使这种新颖的设施成为可能。

HOLMeS 代表“健康在线医疗建议”。该专家系统的目的是为多个电子健康应用程序提供支持。在系统的核心,机器学习算法通过聊天机器人和网络应用程序提供预防性医疗建议。在深度学习的支持下,聊天机器人的行为更像人类。

关于报告深度学习时代的无线网络设计解释了深度学习技术的使用以及传统的网络设计方法以及基于数学的、基于模型的方法来构建未来的无线通信网络。该报告详细描述了深度学习如何与强化学习和迁移学习等其他人工智能技术相结合,以在开发工作中为人工神经网络以及特定模型提供动力。

当然,这只是这些不同技术交叉的开始,但随着机器学习时代的发展,以及先进的建模技术在企业中的进一步发展和应用,这种交叉很可能会变得越来越大。

      相关帖子DA内容精选
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

关键词:机器学习 数据建模 CDA LEVEL Assistant excel函数

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注cda
拉您进交流群

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2024-3-29 07:16