¿Pronóstico o aprendizaje automático?
¿Puede el aprendizaje automático superar las técnicas de pronóstico tradicionales?
Sí puede. Existe una variedad de estudios que comparan las técnicas de aprendizaje automático con técnicas estadísticas más clásicas para pronosticar datos. Las redes neuronales es una técnica que se ha investigado ampliamente y, a menudo, se ha demostrado que supera los enfoques de pronóstico. Las técnicas de aprendizaje automático también aparecen en competiciones de minería de datos y ciencia de datos basadas en series de tiempo (pronóstico). Se ha demostrado que estos enfoques funcionan bien, superando los enfoques de pronóstico puro en competiciones como las competiciones M3 o Kaggle. El aprendizaje de máquinas viene con su propio conjunto específico de preocupaciones. La ingeniería de características o la creación de nuevos predictores a partir del conjunto de datos es un paso importante para el aprendizaje automático y puede tener un gran impacto en el rendimiento. Esta ingeniería puede ser una forma necesaria de abordar los problemas de tendencia y estacionalidad de los datos de series temporales. Además, algunos modelos encuentran problemas con qué tan bien se ajustan a los datos. Es posible que ambos puedan sobreajustar los datos disponibles y tener un rendimiento inferior en los nuevos datos, o pueden subestimar y perder la tendencia subyacente.
- ¿Qué conocimientos de matemática / estadística y CS debo dominar (no matemático / stat / CS, pero graduado en ingeniería) para carrera / investigación en aprendizaje automático?
- ¿Debo aprender C ++, Python o Java para construir un sistema de aprendizaje automático de grado de producción?
- ¿Cuál es la forma mejor y más simple de agrupar productos por sus nombres?
- ¿Cuándo funciona el aprendizaje conjunto?
- ¿Cuáles son las diferentes técnicas de minería de texto?
Los enfoques de pronóstico y aprendizaje automático no necesitan existir de forma aislada el uno del otro. Se pueden combinar para brindarle los beneficios de cada enfoque. El pronóstico hace un buen trabajo al descomponer datos en elementos de tendencia y estacionales. Este análisis se puede utilizar como entrada en un modelo de aprendizaje automático, que puede incorporar la tendencia y la información estacional en su algoritmo, brindándole lo mejor de ambos mundos.