Как объяснить интеллектуальный анализ данных вашему боссу
Мы живем в мире, полном данных. Количество данных, которые мы собираем, продолжает расти. Эти данные можно превратить в полезную информацию для решения проблем, лечения болезней и стимулирования экономики.
Интеллектуальный анализ данных представляет собой процесс обнаружения новых знаний и новых шаблонов, помогающих узнать то, чего мы, возможно, не знали.
Когда вы впервые думаете об интеллектуальном анализе данных, вы можете подумать о базах данных. Если вы когда-либо работали с базой данных, возможно, вы знакомы с термином запрос? Запрос — это способ задать вопросы базе данных. Несмотря на то, что интеллектуальный анализ данных имеет некоторое отношение к базам данных, интеллектуальный анализ данных сильно отличается. Интеллектуальный анализ данных тесно связан со статистикой, но это не обязательно статистический анализ.
Интеллектуальный анализ данных — это открытие. Но, как вы скоро увидите, интеллектуальный анализ данных требует уникальных подходов, знаний и инструментов. Изучение инструментов и стратегий, составляющих интеллектуальный анализ данных, поможет вам отличить интеллектуальный анализ данных от других тем, связанных с наукой о данных.
Некоторые из вещей, которые вы делаете при интеллектуальном анализе данных, будут включать классификацию и очистку данных, обнаружение взаимосвязей и то, как делать прогнозы.
Интеллектуальный анализ данных предполагает работу с большим количеством доказательств. Интеллектуальный анализ данных не обязательно должен включать большие объемы данных, но обычно это так.
Ведь можно посмотреть на небольшой объем данных и невооруженным глазом сделать выводы. Интеллектуальный анализ данных — это анализ структурированных и неструктурированных данных, которые слишком велики, чтобы их можно было понять без специальных инструментов и подходов.
Возьмем, к примеру, то, что называется интеллектуальным анализом текста. В этом случае текст является типом информации или данных. Если вы хотите посмотреть на настроение текста по определенной теме в Твиттере, скажем, по президентской кампании, вам будет сложно сделать это без каких-то уникальных технологий и методов. Эта ситуация иллюстрирует, где интеллектуальный анализ данных становится полезным.
К счастью, за интеллектуальным анализом данных стоит наука. Иметь науку — это здорово, потому что наука повторяема. Если вы хотите стать профессионалом в области интеллектуального анализа данных, изучите науку, которая составляет процессы и процедуры интеллектуального анализа данных. Научитесь надежно воспроизводить результаты с помощью этих методов, и вы будете на пути к отличной работе по интеллектуальному анализу данных.
Итак, может быть, у вас есть идея, что интеллектуальный анализ данных может помочь ответить на важные вопросы? Но как он отвечает на эти вопросы? Интеллектуальный анализ данных может помочь нам найти необычные явления и закономерности в больших наборах информации. Когда часть данных или информации выделяется среди остальных, это называется выбросом. Обнаружение выбросов при интеллектуальном анализе данных называется обнаружением аномалий.
Другой распространенный способ интеллектуального анализа данных — создание моделей. С помощью так называемого моделирования зависимостей интеллектуальный анализ данных может обнаруживать связи между переменными. Этот стиль интеллектуального анализа данных может быть очень полезным. Представьте, если бы вы продали определенный продукт под названием продукт А, вы могли бы не знать, что потребители также любят покупать продукт Б. Благодаря изучению ассоциативных правил интеллектуальный анализ данных может помочь нам найти эти шаблоны или зависимости.
Иногда интеллектуальный анализ данных может помочь нам найти закономерности в данных, о существовании которых мы не знали. В интеллектуальном анализе данных мы называем эту задачу кластеризацией. Кластеризация дает нам возможность находить в данных то, что имеет сходство, о котором мы раньше не знали. Этот метод является одной из причин, по которой мы называем интеллектуальный анализ данных открытием знаний.
Интеллектуальный анализ данных также может помочь нам найти что-то в данных и пометить их полезными способами. Это называется классификацией. Например, в бизнесе или маркетинге обратите внимание на следующее: мы можем найти клиентов и потенциальных клиентов, подобных тем, которые ранее покупали продукты. Другой пример — электронная почта. В процессе классификации интеллектуальный анализ данных может помочь нам определить, какие электронные письма соответствуют шаблону законных сообщений, которые мы хотим прочитать, или электронные письма, которые мы считаем нежелательными.
Еще один способ, которым интеллектуальный анализ данных может помочь нам, — это делать прогнозы и обнаруживать модели, которые наименее подвержены ошибкам. Интеллектуальный анализ данных делает это, используя что-то из мира статистики, называемое регрессией.
И последнее, но не менее важное: интеллектуальный анализ данных использует процесс, называемый суммированием. Техника обобщения позволяет нам брать большие объемы информации и понимать отчеты и изображения, называемые визуализациями.
Область, в которой интеллектуальный анализ данных играет значительную роль, — это искусственный интеллект и машинное обучение.
Интеллектуальный анализ данных играет жизненно важную роль в области, называемой машинным обучением. Машинное обучение — это то, как компьютеры учатся делать прогнозы. В некотором смысле, вы можете думать об этом, как компьютеры учатся принимать решения. Хотя машинное обучение — это совершенно другая тема, интеллектуальный анализ данных играет роль в том, как машины обнаруживают закономерности, на основе которых принимаются решения.
Еще одна развивающаяся область, о которой вы, возможно, слышали, называется искусственным интеллектом. Искусственный интеллект также зависит от многих арендаторов интеллектуального анализа данных. Когда компьютеры могут находить решения самостоятельно, мы называем это искусственным интеллектом.
Машинное обучение, искусственный интеллект и интеллектуальный анализ данных очень тесно связаны между собой. Часто бывает трудно отличить, где заканчивается одна дисциплина и начинается другая. Из-за этого нечеткого разграничения мы обсуждаем интеллектуальный анализ данных как поддержку как машинного обучения, так и искусственного интеллекта.
По мере того, как общество движется вперед, продвигая более сложные вычислительные системы, эти границы будут по-прежнему стираться. Знание основных процессов и процедур интеллектуального анализа данных будет по-прежнему важно, поскольку мы стремимся создавать воспроизводимые и надежные системы с помощью науки интеллектуального анализа данных.
