Sammanfatta detta blogginlägg med:
Visste du?
Hundar kan öka våra nivåer av dopamin, serotonin och oxytocin , dessa är de så kallade "lyckohormonerna". Även om det är bättre att klappa dem, kan även att titta på bilder hjälpa till att frigöra dessa hormoner i ditt system och få dig att känna dig lyckligare (även om det fungerar bäst om det är din hund).
För att inte tala om det uppenbara, men ibland händer det motsatta, dvs. aktivering av smärtsimulatorer, när vi försöker läsa av något utmanande, särskilt saker som maskininlärning och prediktiv analys för de flesta (ibland även jag).
Så, om ni undrar hur jag avledde mig från ämnet om hundar som alla älskar, så håll er bara här ett tag.
Den här artikeln handlar om att kombinera dessa fördelar för att hitta en medelväg för dina hjärnreceptorer! Varför inte använda dessa lyckohormoner för att göra mer än de där oändliga skärmskrollningarna och använda dem för att lära sig lite?
Låt oss börja med var allt detta började, själva datan. Även om den takt med vilken data genereras inom organisationer numera är synonym med "Big Data" i sig. Tekniskt sett kan man kategorisera data som Big Data endast när den har följande egenskaper (som tidigare var känd som 3V:er, men med den ökande datamängden har det också blivit 5V:er):
Volym: Stora datamängder med flera strukturer
Hastighet: Hög hastighet med vilken den ackumuleras
Sanningsenlighet: Inkonsekvent och osäker, dvs. mer ostrukturerad och semistrukturerad data
Variation: data från heterogena källor, strukturerade, semi- och ostrukturerade
Värde: Både i monetära termer för lagring och det värde som kommer från att analysera eller lagra den.
På grund av dessa parametrar gör det det svårt att enkelt analysera data. Strukturen kanske inte är definierad, data kan komma från flera källor och data skulle förlora relevans om de inte analyseras vid rätt tidpunkt. Därför ska man använda Data Analytics.
Källa: Världsekonomiskt forum PS Inte en hundmeme men så här stor är datan nu.
Nej, vi ber er inte att skriva makron eller uppslagningar åt oss. Men när ni analyserar era data med Excel finns det en risk att de går förlorade, dvs. det finns ingen enskild sanningskälla och det är inte möjligt att enkelt få realtidsanalyser. Men återigen, innan ni föreslår maskininlärning (som vi ska prata om strax), finns det ett annat alternativ. Business Intelligence-verktyg.
Med Business Intelligence-verktyg som Power BI, Qlik eller Tableau kan du analysera dina data sömlöst och få fram viktiga insikter samtidigt som du skapar dashboards som är lätta att förstå.
Några av fördelarna med att använda Business Intelligence-verktyg (varje verktyg har sin fördel igen)
- Kraftfull datamodellering
- Plug-and-Play-visualiseringar
- Integration med applikationer
- SaaS-erbjudanden
- Avancerade datamodelleringsfunktioner
De flesta av er har säkert sett den här memen, där de pratar om att förvirra maskininlärningsalgoritmen, om hur svårt det är att skilja mellan chihuahuor och muffins, det är möjligt. Även om vi inte går in på djupet i hur vi hittade en fantastisk artikel om hur man gör detsamma.
Maskininlärning är den typ av artificiell intelligens där du skapar applikationer som blir bättre med tiden med mer och mer data. Det är hur sociala medier registrerar dina interaktioner som klick och delningar för att få det att verka som att internet är översvämmat av saker du är intresserad av och för att hålla dig fast. Det är som att träna en hund, genom att ge en dopaminkick under träningen håller du den fast vid att utföra samma handlingar om och om igen.
Det finns fyra grundläggande typer av maskininlärning: övervakad inlärning, oövervakad inlärning, semiövervakad inlärning och förstärkningsinlärning. Beroende på data och analyskrav utförs en av de fyra.
Övervakad inlärning
Detta innebär att man tränar med välmärkta data och sedan ger testdata för att kontrollera hur korrekta de är. I exemplet ovan är det som att först lära ut applikationen med bilder av chihuahuor och muffins separat med etiketter och sedan försöker identifiera vad de är med testdata. Vanliga typer av övervakat lärande är klassificering (för kvalitativa eller kategoriska data) och regressionsanalys (för kvantitativa data eller värden).
Oövervakad inlärning
Även om det mesta av definitionen finns i själva namnet, innebär oövervakad inlärning att träna en maskin utan klassificerade eller märkta data och därför utan vägledning. Även om det känns som att släppa lös en hund och låta den gå som den vill, som i bilden nedan. Men det ska förstås att oövervakad inlärning oftast används för kluster eller association, vilket normalt görs med egenskaper hos den inneboende datan.
Semiövervakad inlärning
En blandning av båda ovanstående modeller, genom att tillhandahålla märkta data för träning men låta modellen ha sin gång och låta den utforska på egen hand för att göra lämplig analys.
Förstärkande lärande
Målet med förstärkningsinlärning är att hitta det bästa möjliga beteendet eller den bästa vägen modellen bör ta i en specifik situation. Vid övervakad inlärning ges även svarsnyckeln tillsammans med frågan när data tränas, och vid förstärkningsinlärning finns det ingen svarsnyckel, utan modellen tränas för att hitta den optimala vägen (t.ex. schack). Om det inte finns några träningsdata tränas modellen på sina egna data.
Även om det verkar enklare ber vi er inte att använda hundmemes för kommunikation (även om de flesta av oss kanske föredrar det), ibland är det lättare att lära sig med en serotoninboost. Men i slutändan vill ingen vara så här:
Så om du letar efter den extra hjälpen du behöver med dina data science- projekt eller Business Intelligence -projekt kan vi hjälpa dig att skapa dem. Eller om du är osäker på vad du ska göra åt det, delta då i vår intensiva workshop om dataupptäckt .