Предиктивная аналитика и машинное обучение: в чем разница?

Машинное обучение и предиктивная аналитика подходят к проблеме по-разному. В конце концов, прогнозная аналитика, вероятно, станет одним из приложений машинного обучения.

Это похоже на то, как жаждущий и утоленный подходят к одному и тому же стакану воды. Машинное обучение более адаптивно, новее и имеет больше степеней свободы, поэтому оно может позволить себе быть более гибким в подходе к проблеме. Предиктивная аналитика существует дольше и более процедурна в своем использовании.

Нет такой проблемы, которую прогнозная аналитика могла бы решить, которую не смогло бы решить машинное обучение. Но у прогнозной аналитики всегда есть целевая аудитория, а у машинного обучения — нет. Давайте исследовать.

Распространенные варианты использования машинного обучения и предиктивной аналитики

Что такое прогнозная аналитика?

И машинное обучение, и прогнозная аналитика используются для прогнозирования набора данных о будущем. Прогнозная аналитика использует прогнозное моделирование, которое может включать машинное обучение. Предиктивная аналитика имеет очень конкретную цель: использовать исторические данные для прогнозирования вероятности будущего результата.

По своей сути аналитика любого рода — это просто прикладная математика, иногда известная как наука о данных.

Кто использует предиктивную аналитику?

Аудитория прогнозной аналитики, как правило, люди, что добавляет к ее работе дополнительный уровень необходимой коммуникации и интерпретируемости. Люди спросят: «Каковы будут продажи во втором квартале?» Предиктивная аналитика отвечает на этот вопрос с определенной степенью уверенности.

Для прогнозных аналитиков машинное обучение является продолжением их практики, еще одним инструментом в их наборе инструментов, который помогает им лучше выполнять свою работу. Используя ML, прогнозные аналитики могут:

• Дайте ответы, с уверенностью, на более сложные проблемы.
• Предлагайте ответы в режиме реального времени на вопросы, которые сохраняются во времени с постоянно меняющимися данными.
• Исследуйте совершенно новые виды проблем.

Сценарии использования

прогнозная аналитика обычно проводится на числовых данных.Предиктивная аналитика используется для определения:

• Когда датчик может выйти из строя
• Когда торговать акциями
• Шанс успеха маркетинговой кампании
• Настроение сотрудников

Благодаря использованию машинного обучения прогнозная аналитика может расширить методы анализа настроений, чтобы увидеть, насколько довольны клиенты и сотрудники.

Машинное обучение

Машинное обучение отличается от прогнозной аналитики. Машинное обучение имеет меньше общего с отчетностью, чем с самим моделированием.

Машинное обучение — это первоклассный инструмент для проведения статистического анализа. Благодаря своей функции обучения он может точно настраивать параметры своих моделей в соответствии с данными. Это может потребовать много работы, если делать это вручную, используя передовые гетероскедастические методы и другие статистические инструменты, чтобы исключить различные точки данных для точной настройки параметров их моделей.

Машинное обучение использовало алгоритмы и вычислительные ресурсы, чтобы предложить множество вычислений, которые не тратят много времени на тщательное прочесывание весов модели. Отчасти в этом и плюсы, и минусы модели машинного обучения. Узлы модели определяют сами себя, поэтому обычному статистику не нужно их просеивать. Но тогда его также называют черным ящиком, потому что статистики не могут просеять узлы и определить, что они означают.

Машинное обучение — это инструмент, используемый многими компаниями для самых разных приложений. Такие компании, как Microsoft, Amazon, Google и многие другие, предлагают машинное обучение как услугу (MLaaS), где данные могут быть отправлены в API, а модель возвращена. Эти компании также предлагают ресурсы и даже инструкции по использованию машинного обучения в вашем приложении вместе со своими ресурсами.

Кто использует машинное обучение?

Если вы заметили, ничего в машинном обучении не говорит об аудитории. Машинное обучение хочет быть интерпретируемым. Однако на самом деле только хорошие модели поддаются интерпретации.Но, в отличие от прогнозной аналитики, алгоритмы машинного обучения не должны отвечать на основные вопросы корпорации. Могут, но это не требование машинного обучения.

Когда какой использовать?

Машинное обучение похоже на исчисление или физику: это инструмент, который нужно использовать. Предиктивная аналитика — это роль, которая вооружается инструментами для выполнения своей роли — машинное обучение — один из таких инструментов.

Машинное обучение не должно отвечать на вопросы людей. Их приложения можно создавать для развлечения, создавая реалистичные изображения и, казалось бы, настоящие сообщения в блогах. Предиктивная аналитика, как правило, имеет в виду варианты использования, такие как финансовые прогнозы бизнеса и опросы удовлетворенности сотрудников.

Дополнительные ресурсы

Для получения дополнительной информации по этой теме ознакомьтесь с этими ресурсами:

• Блог BMC о машинном обучении и больших данных
• Машинное обучение, наука о данных, искусственный интеллект, глубокое обучение и статистика
• Роль прогнозной аналитики в облачных операциях
• Лучшие фреймворки машинного обучения для использования в 2020 году
• Машинное обучение с TensorFlow и Keras, руководство из нескольких частей
• Руководство Apache Spark по машинному обучению

Изучите машинное обучение с помощью нашего бесплатного загружаемого руководства

Эта электронная книга обучает машинному обучению самым простым способом. Эта книга предназначена для менеджеров, программистов, директоров и всех, кто хочет изучить машинное обучение. Мы начинаем с очень базовой статистики и алгебры и строим на этом.

Эти сообщения являются моими собственными и не обязательно отражают позицию, стратегию или мнение BMC.

Видите ошибку или есть предложение? Пожалуйста, сообщите нам об этом по электронной почте blogs@bmc.com.

BMC приносит A-Game

BMC работает с 86% участников списка Forbes Global 50, а также с клиентами и партнерами по всему миру, чтобы создать свое будущее. Благодаря нашей истории инноваций, ведущим в отрасли решениям для автоматизации, управления операциями и услугами в сочетании с непревзойденной гибкостью мы помогаем организациям высвободить время и пространство, чтобы стать автономным цифровым предприятием, которое завоевывает возможности в будущем.
Узнайте больше о BMC ›

Вам также может понравиться

Внимательный ИИ: 5 концепций осознанного искусственного интеллекта

Что такое глубокая нейронная сеть? Объяснение глубоких сетей

Ресурсы Hadoop: обучение, конференции и многое другое

Типы визуализации Power BI

Машинное обучение ElasticSearch

Что такое нейронная сеть? Введение с примерами

Об авторе

Джонатан Джонсон

Джонатан Джонсон — технический писатель, который объединяет жизнь и технологии. Поддерживает увеличение степеней свободы людей.