Использование машинного обучения и искусственного интеллекта
Под инструментами для аналитики подразумеваются приложения, которые позволяют средам создавать решения, язык, библиотеки и даже графический пользовательский интерфейс для манипулирования данными для анализа информации. Есть много инструментов для анализа данных. Что есть в наличии?
Инструменты
Anaconda предоставляет среду для Python и R, включая машинное обучение для Mac / Linux / Windows. После загрузки и установки приложения среду можно настроить, включив в нее различные инструменты для анализа данных с библиотеками. Анаконда используется для настольных компьютеров, но существует и в облачной версии.
JetBrains - это организация, у которой есть множество приложений для конкретных целей. Существует PyCharm для Python, DataGrip для баз данных, RubyMine для Ruby и другие. Для аналитики набор инструментов и возможность интеграции их инструментов уникальны. Положительным моментом является создание полных приложений, которые имеют компоненты или подкомпоненты искусственного интеллекта и код для других частей приложения на таких языках, как PHP, которые могут работать вместе в решении JetBrains.
Google имеет несколько инструментов аналитики, в первую очередь Looker и платформу Google Cloud.
Microsoft Access, Azure, Excel и Power BI - все они предоставляют услуги аналитики и данных.
IBM имеет инструменты SPSS и Watson, есть облачные и локальные версии каждой платформы. SPSS предоставляет аналитику и интеллектуальные меню в графическом пользовательском интерфейсе. Watson известен своим выступлением в Jeopardy 14 января 2011 года, где ему было поручено соревноваться с людьми в пустяках. Теперь это сервис, которому можно поручить проблемы с данными.
Salesforce имеет Tableau, аналитический сервис, ориентированный на бизнес.
Снежинка - поставщик хранилищ данных и аналитики, предоставляющий услуги по обработке данных.
У меня есть опыт работы с облачными и локальными инструментами. Облако является популярным, простым и имеет большие преимущества. Искусственный интеллект сильно интегрирован в инструментальные платформы с диапазоном контроля разработчика или пользователя над методами и производительностью. Внедрение интеллектуальных меню и графических пользовательских интерфейсов для аналитики изменило подход многих к аналитике данных и науке о данных. Это более дружелюбно и требует больше знаний о том, как работают процессы, чтобы получать результаты со смыслом и согласованностью.
Подпишитесь на автора, Сару Мейсон, чтобы узнать больше об аналитике, AI / ML, кодировании, данных и разработке, присоединившись к Medium.
Следуйте / подписывайтесь ЗДЕСЬ.
Заключение
Существуют разные способы и инструменты для разработки решения для получения знаний на основе данных. Аналитика, выполненная в коде, дает больше контроля и дает конкретные результаты. Использование набора инструментов, в котором есть блоки, дает меньший контроль и дает результаты, основанные на подгруппах, создающих компромисс между управлением, тем, как работает процесс. Наконец, использование приложения и выбор по формам и меню - это небольшой контроль над процессом, он прост и будет обрабатываться в соответствии с параметрами, при этом вычисления мало заметны. Есть выбор в пользу инструментов, в частности, с машинным обучением и искусственным интеллектом, однако важно наилучшее соответствие ситуации и условиям.