Differenza tra apprendimento automatico e analisi predittiva
L'apprendimento automatico è un'area dell'informatica, che al giorno d'oggi sta facendo passi da gigante. Recenti progressi nelle tecnologie hardware che hanno portato a un massiccio aumento della potenza computazionale come GPU (unità di elaborazione grafica) e avanzamento nelle reti neurali, l'apprendimento automatico è diventato una parola d'ordine. In sostanza, usando le tecniche di apprendimento automatico, possiamo costruire algoritmi per estrarre dati e vedere importanti informazioni nascoste da esso. Anche l'analisi predittiva fa parte del dominio dell'apprendimento automatico, che è limitato per prevedere i risultati futuri dai dati basati su modelli precedenti. Mentre l'analisi predittiva è in uso da più di due decenni principalmente nel settore bancario e finanziario, l'applicazione dell'apprendimento automatico ha assunto rilevanza negli ultimi tempi con algoritmi come il rilevamento di oggetti da immagini, classificazione del testo e sistemi di raccomandazione.
Apprendimento automatico
L'apprendimento automatico utilizza internamente statistiche, matematica e fondamenti di informatica per costruire una logica per algoritmi che possono fare classificazione, previsione e ottimizzazione sia in tempo reale che in modalità batch. Classificazione e regressione sono due classi principali di un problema di apprendimento automatico. Comprendiamo in dettaglio sia l'apprendimento automatico sia l'analisi predittiva.
Classificazione
Sotto questi secchi di un problema, tendiamo a classificare un oggetto in base alle sue varie proprietà in una o più classi. Ad esempio, classificare un cliente bancario come idoneo per un mutuo per la casa o non in base alla sua storia creditizia. Di solito avremmo a disposizione dati transazionali per il cliente come la sua età, reddito, formazione, esperienza lavorativa, industria in cui sta lavorando, numero di persone a carico, spese mensili, eventuali prestiti precedenti, il suo modello di spesa, la sua storia creditizia, ecc. e sulla base di queste informazioni, tendiamo a calcolare se dovrebbe ricevere un prestito o meno.
Esistono molti algoritmi standard di apprendimento automatico che vengono utilizzati per risolvere il problema di classificazione. La regressione logistica è uno di questi metodi, probabilmente il più ampiamente usato e il più noto, anche il più antico. Oltre a ciò, abbiamo anche alcuni dei modelli più avanzati e complicati che vanno dall'albero decisionale alla foresta casuale, AdaBoost, potenziamento di XP, macchine vettoriali di supporto, baize ingenuo e rete neurale. Dagli ultimi due anni, il deep learning è in prima linea. In genere la rete neurale e l'apprendimento profondo vengono utilizzati per classificare le immagini. Se ci sono centinaia di migliaia di immagini di cani e gatti e vuoi scrivere un codice in grado di separare automaticamente le immagini di cani e gatti, potresti voler scegliere metodi di apprendimento profondo come una rete neurale convoluzionale. Torcia, caffetteria, flusso di sensori, ecc. Sono alcune delle librerie popolari in Python per l'apprendimento profondo.
Per misurare l'accuratezza dei modelli di regressione, vengono utilizzate metriche come tasso di falsi positivi, tasso di falsi negativi, sensibilità, ecc.
Regressione
La regressione è un'altra classe di problemi nell'apprendimento automatico in cui proviamo a prevedere il valore continuo di una variabile anziché una classe a differenza dei problemi di classificazione. Le tecniche di regressione vengono generalmente utilizzate per prevedere il prezzo delle azioni, il prezzo di vendita di una casa o di un'auto, una domanda per un determinato articolo, ecc. Quando entrano in gioco anche le proprietà delle serie temporali, i problemi di regressione diventano molto interessanti da risolvere. La regressione lineare con il minimo quadrato ordinario è uno dei classici algoritmi di apprendimento automatico in questo dominio. Per lo schema basato su serie storiche, vengono utilizzati ARIMA, media mobile esponenziale, media mobile ponderata e media mobile semplice.
Per misurare l'accuratezza dei modelli di regressione, vengono utilizzate metriche che indicano errore quadratico, errore quadrato medio assoluto, errore quadrato di misura radice, ecc.
Analisi predittiva
Esistono alcune aree di sovrapposizione tra apprendimento automatico e analisi predittiva. Mentre tecniche comuni come la regressione logistica e lineare rientrano sia nell'apprendimento automatico che nell'analisi predittiva, gli algoritmi avanzati come un albero decisionale, una foresta casuale, ecc. Sono essenzialmente l'apprendimento automatico. In base all'analisi predittiva, l'obiettivo dei problemi rimane molto ristretto laddove l'intento è calcolare il valore di una particolare variabile in un momento futuro. L'analisi predittiva è fortemente caricata da statistiche mentre l'apprendimento automatico è più una miscela di statistica, programmazione e matematica. Un tipico analista predittivo trascorre il suo tempo a calcolare t quadrato, f statistiche, Innova, chi-quadrato o minimo quadrato ordinario. Domande come se i dati siano normalmente distribuiti o distorti, nel caso in cui venga utilizzata la distribuzione t degli studenti o se si usi la curva delle campane, dovrebbero essere presi alfa al 5% o al 10%. Cercano il diavolo nei dettagli. Un ingegnere di machine learning non si preoccupa di molti di questi problemi. Il loro mal di testa è completamente diverso, si ritrovano bloccati sul miglioramento della precisione, sulla minimizzazione della frequenza dei falsi positivi, sulla gestione anomala, sulla normalizzazione della gamma o sulla convalida del k.
Un analista predittivo utilizza principalmente strumenti come Excel. La ricerca di scenari o obiettivi sono i loro preferiti. Occasionalmente usano VBA o micro e difficilmente scrivono alcun codice lungo. Un ingegnere di machine learning trascorre tutto il suo tempo a scrivere codice complicato oltre la comprensione comune, usa strumenti come R, Python, Saas. La programmazione è il loro lavoro principale, risolvendo bug e test sui diversi scenari una routine quotidiana.
Queste differenze portano anche una grande differenza nella loro domanda e salario. Mentre gli analisti predittivi lo sono ieri, l'apprendimento automatico è il futuro. Un tipico ingegnere di machine learning o data scientist (come viene chiamato per lo più in questi giorni) sono pagati il 60-80% in più rispetto a un tipico ingegnere informatico o analista predittivo e sono il driver chiave nel mondo odierno della tecnologia. Anche Uber, Amazon e le auto a guida autonoma sono possibili solo a causa loro.
Confronto diretto tra apprendimento automatico e analisi predittiva (infografica)
Di seguito è riportato il top 7 Confronto tra Machine Learning e Predictive Analytics
Tabella di confronto tra apprendimento automatico e analisi predittiva
Di seguito è la spiegazione dettagliata di Machine Learning vs Predictive Analytics
| Apprendimento automatico | Analisi predittiva |
| È un termine generale che comprende vari sottocampi, compresa l'analisi predittiva. | Può essere trattato come un sottocampo dell'apprendimento automatico. |
| Molto orientato alla programmazione. | Principalmente orientato al software standard in cui un utente non ha bisogno di programmare molto da solo |
| È considerato generato dall'informatica, cioè l'informatica può essere trattata come il genitore qui. | Le statistiche possono essere trattate come un genitore qui. |
| È la tecnologia di domani. | È così ieri. |
| È una macchina dominata da molte tecniche che sono difficili da capire ma funzionano come il fascino come l'apprendimento profondo. | È dominato dall'utente con tecniche che devono essere intuitive per essere comprese e implementate da un utente. |
| Vengono utilizzati strumenti come R, Python, SaaS. | Vengono utilizzati Excel, SPSS, Minitab. |
| È molto ampio e in continua espansione. | Ha una portata e un'applicazione molto limitate. |
Conclusione: apprendimento automatico e analisi predittiva
Dalla discussione sopra sia sull'apprendimento automatico che sull'analisi predittiva, è chiaro che l'analisi predittiva è fondamentalmente un sotto-campo dell'apprendimento automatico. L'apprendimento automatico è più versatile ed è in grado di risolvere una vasta gamma di problemi.
Articolo raccomandato
Questa è stata una guida all'apprendimento automatico e all'analisi predittiva, il loro significato, il confronto diretto, le differenze chiave, la tabella di confronto e le conclusioni. Puoi anche consultare i seguenti articoli per saperne di più -
- Scopri i Big Data rispetto all'apprendimento automatico
- Differenza tra data science e machine learning
- Confronto tra Predictive Analytics e Data Science
- Data Analytics Vs Predictive Analytics - Quale è utile