Puntos clave: La analítica predictiva predice resultados específicos utilizando datos históricos, mientras que el aprendizaje automático ofrece un modelado estadístico flexible. Cada enfoque cumple propósitos distintos, con análisis predictivo centrado en consultas específicas y aprendizaje automático proporcionando soluciones adaptables.
- La analítica predictiva se centra en resultados específicos utilizando datos históricos.
- El aprendizaje automático sirve como una herramienta versátil para la modelización estadística sin una audiencia directa.
El Aprendizaje Automático y el Análisis Predictivo abordan un problema de forma diferente. Con el tiempo, es muy probable que el análisis predictivo están fusionados como una sola aplicación del aprendizaje automático.
Es similar a cómo los sedientos y los saciados llegan al mismo vaso de agua. El aprendizaje automático está más adaptativo, más nuevo y tiene mayores grados de libertad, por lo que puede permitirse ser más flexible en su enfoque ante un problema. La analítica predictiva existe desde hace más tiempo y está más procedimental en su uso.
No está ningún problema que el análisis predictivo pueda resolver que el aprendizaje automático no pueda. Pero el análisis predictivo siempre tiene un público objetivo, mientras que el aprendizaje automático no. Vamos a explorar.
Aprendizaje automático
¿Qué es la analítica predictiva?
Tanto el aprendizaje automático como el análisis predictivo se son utilizados para Haz predicciones sobre un conjunto de datos sobre el futuro. El análisis predictivo utiliza modelado predictivo, que puede incluir aprendizaje automático. El análisis predictivo tiene un propósito muy específico: utilizar datos históricos para predecir la probabilidad de un resultado futuro.
En lo más básico, cualquier tipo de analítica está simplemente matemáticas aplicadas—a veces conocidas como ciencia de datos.
¿Quién utiliza la analítica predictiva?
La audiencia de la analítica predictiva suele ser la gente, lo que añade un nivel extra de comunicación y interpretabilidad necesaria a su trabajo. La gente preguntará: "¿Cuáles son las ventas del segundo trimestre?" La analítica predictiva responde a la pregunta con cierto grado de confianza.
Para los analistas predictivos, el aprendizaje automático están una extensión de su práctica, otra herramienta en su caja de herramientas, que les ayuda a desempeñar mejor su trabajo. Usando ML, los analistas predictivos pueden:
- Ofrece respuestas, con confianza, a problemas más complejos.
- Ofrece respuestas en tiempo real a preguntas que persisten a lo largo del tiempo con datos en constante cambio.
- Explora tipos completamente nuevos de problemas.
utiliza Casos
La analítica predictiva se está realizando habitualmente con datos numéricos. La analítica predictiva se está utilizando para determinar:
- Cuando un sensor podría fallar
- Cuándo negociar una acción
- La probabilidad de éxito de una campaña de marketing
- Sentimiento de los empleados
Mediante el utiliza del aprendizaje automático, la analítica predictiva puede ampliar su forma de realizar análisis de sentimientos para Ve cuán satisfechos están sus clientes y empleados.
El aprendizaje automático está diferente de la analítica predictiva. El aprendizaje automático tiene menos que ver con los informes que con el propio modelado.
El aprendizaje automático están la herramienta de primera para realizar análisis estadísticos. Gracias a su función de aprendizaje, puede afinar los parámetros de sus modelos de forma precisa para ajustarlos a los datos. Esto podría requerir mucho trabajo si se hiciera a mano, lo que utiliza métodos heteroscédasicos avanzados y otras herramientas de estadística para excluir varios puntos de datos y afinar los parámetros de sus modelos.
El aprendizaje automático ha utilizado algoritmos y recursos de cómputo para ofrecer una abundancia de cálculo que no tiene que dedicar mucho tiempo a examinar minuciosamente los pesos de un modelo. En parte, eso están lo bueno y lo malo del modelo de aprendizaje automático. Los nodos del modelo se Define a sí mismos, así que un estadístico típico no tiene que filtrarlos. Pero también se le denomina caja negra porque los estadísticos no pueden filtrar los nodos y determinar qué significan.
El aprendizaje automático están una herramienta utilizada por muchas empresas, en muchos tipos diferentes de aplicaciones. Empresas como Microsoft, Amazon, Google y muchas otras ofrecen el aprendizaje automático como servicio (MLaaS), donde los datos pueden enviarse a la API y se están devuelto un modelo. Estas empresas también ofrecen recursos e incluso instrucciones sobre cómo utilizar el aprendizaje automático en tu aplicación junto con sus recursos.
¿Quién utiliza el aprendizaje automático?
Si te fijas, nada en el aprendizaje automático habla de una audiencia. El aprendizaje automático quiere ser interpretable. De hecho, sin embargo, solo son interpretables los buenos modelos. Pero, a diferencia del análisis predictivo, los algoritmos de aprendizaje automático no tienen que responder a las grandes preguntas de una empresa. Pueden, pero no están un requisito del aprendizaje automático.
¿Cuándo utilizar cuál?
El aprendizaje automático está como el cálculo o la física: es una herramienta para usar. El análisis predictivo está un papel que se equipa con herramientas para cumplir su función; el aprendizaje automático está una de esas herramientas.
El aprendizaje automático no tiene que responder a las preguntas de las personas. Sus aplicaciones pueden crearse por diversión, generando imágenes realistas y entradas de blog aparentemente reales. La analítica predictiva suele tener un caso de utiliza en mente, como las predicciones financieras empresariales y las encuestas de satisfacción de empleados.
Recursos adicionales
Para más información sobre este tema, consulta estos recursos:
- Blog de Aprendizaje Automático y Big Data de BMC
- Aprendizaje Automático, Ciencia de Datos, Inteligencia Artificial, Aprendizaje Profundo y Estadística
- El papel de la analítica predictiva en las operaciones en la nube
- Principales marcos de aprendizaje automático para utilizar en 2020
- Aprendizaje automático con TensorFlow y Keras, una guía en varias partes
- Guía Apache Spark para Aprendizaje Automático
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.