Applicare l'apprendimento automatico ai problemi giusti

Discorso principale

Introduzione all'apprendimento automatico

Il machine learning è uno strumento importante quando applicato al problema giusto. William Myers, Principal Statistician presso Procter & Gamble, sottolinea che il primo passo, ovvero definire chiaramente il problema, è fondamentale ogni volta che si considera la raccolta di dati o l'analisi statistica.

"Quello che non vuoi è una grande soluzione al problema sbagliato, o una soluzione che è troppo limitata per il progetto", dice Myers. Ad esempio, il tuo obiettivo è sviluppare un modello statistico allo scopo di spiegare, prevedere o forse entrambi?

Guarda per saperne di più su:

• Una semplice definizione di apprendimento automatico e termini associati.
• Due categorie generali di apprendimento automatico: apprendimento supervisionato e non supervisionato.
• Esempi di come l'apprendimento automatico viene utilizzato nell'industria.
• Passaggi critici da compiere prima di costruire un modello di apprendimento automatico.
• Metodi avanzati per dati più complessi o non strutturati.

Parlare di settore

TEL Singapore trova un vantaggio competitivo attraverso l'automazione dell'analisi

Miao Chen, data scientist presso TEL Singapore, descrive come l'analisi svolga un ruolo fondamentale nell'aiutare le organizzazioni a sviluppare e mantenere il proprio vantaggio competitivo e come l'automazione sia diventata sempre più importante in molti settori.

Chen parla dell'automazione come di un modo promettente per una varietà di team funzionali in un'organizzazione di superare la complessità delle fonti di dati, alleviare la carenza di risorse giuste e accelerare il processo di estrazione di valore dai dati. Questa presentazione fornisce alcune nozioni di base sull'automazione nell'analisi, nonché i vantaggi e le tecniche per automatizzare le analisi utilizzando gli script JMP ^® .