Hay muchas herramientas estadísticas como RapidMiner, R, SAS, etc. que pueden ayudar a comprender, analizar los datos relacionados con jugadores, equipos, etc. y derivar varios conjuntos de reglas usando Árboles. Con algoritmos analíticos predictivos como los árboles de decisión (ya sea el método CART o C4.5), se puede ejecutar este conjunto de reglas. Estos también se denominan como árboles de identificación. Basado en los datos pasados, considerando el atributo de destino, uno puede derivar estas reglas usando un árbol o incluso a través de un enfoque de árbol de decisión de criterios múltiples. Pero esto puede ser útil solo si uno tiene los datos relacionados con el resultado que espera. Curiosamente, cuando se ejecutan en un escenario en tiempo real, los espectadores encuentran que estos modelos son confiables que la intuición de un experto.
Si desea conocer un enfoque sistemático para esto, consulte el enlace que se menciona a continuación:
http://cdn2.hubspot.net/hub/6428…
http://www.sersc.org/journals/IJ…
- Estoy planeando hacer un estudio independiente usando Machine Learning y Big Data. ¿Hay algún tema interesante como Deep learning para PNL?
- El modelado dimensional popularizado por Ralph Kimball es quizás la metodología de implementación del almacén de datos más popular. Sin embargo, algunos cuestionan la escalabilidad de la metodología de Kimball. ¿Cuáles son algunas desventajas del método K?
- ¿Cuál es el futuro de la ciencia de datos en los próximos años? ¿Cómo es el mercado laboral en ciencia de datos para los graduados de nivel de entrada? ¿Es fácil de aprender, o necesitamos hacer más y más trabajo duro para conseguir un trabajo de nivel de entrada?
- ¿Cómo es una entrevista de científico de datos en Yelp?
- ¿Por qué odias el aprendizaje automático y la ciencia de datos?
