Estoy un poco sorprendido de ver que has agrupado tanto los métodos ML como los bayesianos con k-nn en la categoría de “viejos caballos de guerra”. Ambas son categorías muy grandes de métodos, en lugar de métodos particulares en sí mismos, y hay muchos enfoques dentro de cada uno que son 1) bastante prometedores para las aplicaciones de análisis predictivo, y 2) aún no han llegado al mercado.
Tenga en cuenta que el aprendizaje automático es una rama de la IA que abarca casi todos los métodos por los cuales las computadoras pueden aprender un modelo del mundo en función de sus observaciones (es decir, datos), y luego actuar (o sugerir acciones) en función de ese modelo aprendido Yo diría que un método o enfoque particular puede denominarse un antiguo caballo de guerra (k-nn, redes neuronales clásicas), pero el ML en sí mismo es de hoja perenne.
Una cosa a tener en cuenta es que “análisis predictivo” es principalmente un término de marketing para describir los métodos de aprendizaje automático aplicados a tareas de predicción particulares en entornos comerciales . En los últimos años, PA se ha convertido en sinónimo de la variedad de métodos ML que han estado disponibles en el mercado de proveedores estándar como SAS, SPSS (IBM), KXEN, etc., principalmente métodos de clasificación como regresión logística, redes neuronales, SVMs; y métodos de agrupación como k-means, agrupación aglomerativa, etc. Pero en mi opinión, el análisis predictivo es un término general que probablemente se ampliará para incluir otros métodos que se aplicarán ampliamente a los datos empresariales.
- ¿Cuál es la mejor manera de obtener consistentemente solo el texto / artículo principal de un sitio como The Verge o Forbes con Beautiful Soup y Python?
- ¿Qué grado es útil para la ciencia de datos?
- ¿Qué conocimiento de bases de datos se considera suficiente para un científico de datos?
- ¿Podrá Kaggle sobrevivir a la explosión en la industria del software de análisis?
- ¿Qué tipo de análisis puede hacer para bienes raíces?
Por métodos bayesianos, puede que se refiera al clasificador Bayesiano ingenuo, un enfoque bayesiano muy particular y simple que ha tenido mucho éxito en el filtrado de spam y algunas otras aplicaciones de clasificación. De hecho, los métodos bayesianos son mucho, mucho más diversos, y de hecho hay un campo de investigación completo llamado aprendizaje automático bayesiano. Una barrera a largo plazo para la adopción comercial más amplia de estos métodos ha sido la ampliación: ha sido difícil “resolver” estos modelos en escalas comercialmente relevantes. Pero eso está cambiando rápidamente (aquí es donde conectaré mi empresa, Prior Knowledge http://www.priorknowledge.com: nuestra oferta es una base de datos predictiva respaldada por un modelo bayesiano y un motor de inferencia que es significativamente más sofisticado que otros Métodos bayesianos que han llegado al mercado hasta ahora).
Hay otras compañías que adoptan nuevos enfoques, y estoy seguro de que muchas de ellas darán a conocer su presencia en otras respuestas a esta pregunta. Dado el actual e intenso interés en extraer más valor de los datos grandes (y no tan grandes), hay muchas empresas que trabajan para aportar nuevos métodos. Sin embargo, argumentaría que es muy probable que estos entren en la categoría de “aprendizaje automático” (si no es el aprendizaje automático bayesiano), pero no los métodos canónicos que todos conocemos y amamos.
Un desafío importante en la identificación de enfoques prometedores es que, si bien hay muchos métodos nuevos introducidos en la literatura académica, muchos de los cuales parecen muy prometedores en aplicaciones comerciales, existe una gran cantidad de trabajo y riesgo al traducirlos en métodos comerciales viables. implementaciones y productos. ¿Funcionará el método con datos del mundo real? ¿Funcionará a escala? ¿Se puede convertir en un producto que pueda utilizar un no doctorado?
Conferencias para vigilar lo último y lo mejor (¡aunque no probado en el mundo real!): ICML, UAI, NIPS.
