Введение
Предсказательное обучение - это техника машинного обучения, при которой модель искусственного интеллекта получает новые данные для понимания окружающей среды, возможностей и ограничений. В области нейробиологии, бизнеса, робототехники, компьютерного зрения и других областях широко используется эта техника. Эта концепция была разработана и расширена французским ученым-компьютером Яном Лекуном в 1988 году во время его карьеры в Bell Labs, где он обучал модели обнаруживать почерк, чтобы финансовые компании могли автоматизировать обработку чеков. Математическая основа для предсказуемого обучения восходит к 17 веку, когда британская страховая компания Lloyd's использовала модели предсказуемой аналитики для получения прибыли. Начав как математическая концепция, эта концепция расширила возможности искусственного интеллекта. Предсказуемое обучение - это попытка обучения с минимальным количеством предварительно существующей ментальной структуры. Он был вдохновлен рассказом Пиаже о детях, создающих знания о мире через взаимодействие. Книга Гэри Дресчера "Создание ума" имела решающее значение для развития этой концепции. Идея о том, что предсказания и бессознательные выводы используются мозгом для построения модели мира, в которой он может идентифицировать причины восприятия, восходит еще дальше к итерации этого исследования Германом фон Гельмгольцем. Эти идеи позже были использованы в области прогнозирующего кодирования. Другая связанная теория предсказательного обучения - это концепция предсказания памяти Джеффа Хокинса, которая изложена в его книге "О разуме".
Процесс обучения
Подобно машинному обучению, предсказательное обучение направлено на экстраполяцию значения неизвестной зависимой переменной y, при условии независимых входных данных x = (x1, x2, , xn). Набор атрибутов может быть классифицирован на категорические данные (неизмеримые факторы, такие как раса, пол или принадлежность) и численные данные (измеримые значения, такие как температура, годовой доход и средняя скорость). Каждый набор входных значений подается в нейронную сеть для прогнозирования значения y. Для того, чтобы точно предсказать выход, веса нейронной сети (представляющие, насколько каждая переменная влияет на результат) должны быть постепенно скорректированы с помощью стохастического градиентного спуска, чтобы сделать оценки ближе к фактическим данным. После того, как модель машинного обучения получит достаточно корректировок и обучения для прогнозирования значений, ближе к фактическим значениям, она должна быть в состоянии правильно прогнозировать выходы новых данных с небольшой ошибкой ε, (обычно ε < 0,001) по сравнению с фактическими данными.
Поведение потребителей социальных сетей
В недавнем исследовании данные о поведении потребителей были собраны с различных социальных сетей, таких как Facebook, Twitter, LinkedIn, YouTube, Instagram и Pinterest. Использование аналитики предсказательного обучения привело исследователей к открытию различных тенденций в поведении потребителей, таких как определение того, насколько успешной может быть кампания, оценка справедливой цены на продукт для привлечения потребителей, оценка того, насколько безопасны данные, и анализ конкретной аудитории потребителей, на которых они могут ориентироваться для конкретных продуктов.