A cikk néhány megoldást ad mutat be, hogy kerüljük el a túltanítást a prediktív modellezéseknél.
Legújabb cikkemben egy kicsit arról filozofálgatok, hogy miért nincsnek univerzális AI modellek?
Kaggle versenyek tapasztalata mire elég és mire nem az üzleti életben?
Amikor adatvagyon hasznosításról beszélünk, akkor elsődlegesen adatelemzésre, BI riportokra vagy MI (Mesterséges Intelligencia) alapú robotokra gondolunk. Valójában amikor adatvagyon hasznosításról beszélünk, akkor egyszerre két dologról beszélünk.
Hogy lehet teljesen eltérő összefüggéseket kiolvasni egy táblából és hogy lehet ezt eltérő módon megjeleníteni?
Hogy lehet teljesen eltérő összefüggéseket kiolvasni egy táblából és hogy lehet ezt eltérő módon megjeleníteni?
Vállalaton belül fontos, hogy megértsük egymás céljait, problémáit. Adatelemzők hajlamosak a saját zárt világukon belül „élni”, így sok esetben nem értik miért nem sikeresek az elemzéseik. Hőscincérként viselkedünk, holott egy kis kommunikációval könnyen kimozdulhatunk elefáncsonttornyunkból.
Gondolom mindannyian láttatok már szivárványt. Ami egy érdekes dolog, mert látunk valamit, ami ha jobban belegondolunk nincs is. A szivárvány egy optikai jelenség, ami azt az ILLÚZIÓT kelti, hogy a felhők alatt egy ezer színben pompázó körív van.
- 1
- 2