Phân tích nguyên nhân vượt ra ngoài các liên kết đơn giản giữa các biến để ước tính mối quan hệ nhân quả với mục tiêu trả lời liệu sự thay đổi trong các biến điều trị (ví dụ: chương trình đào tạo nghề) có thực sự gây ra thay đổi đối với các biến kết quả (thu nhập thực tế của học viên).
Phân tích phản thực tế cho phép bạn ước tính tác động của can thiệp đối với kết quả dự đoán. Ví dụ: trả lời doanh số sẽ là gì nếu chúng ta tăng giá sản phẩm? Điều này hoạt động trong phân tích dự đoán của chúng tôi (Hồi quy &; Phân loại) bằng cách ước tính tác động nhân quả của can thiệp đối với kết quả dự đoán bằng AI nhân quả.
Dự đoán không thiên vị giúp bạn dự đoán các giá trị hoặc nhãn không xác định bằng cách sử dụng các ví dụ đã biết. Dự đoán của chúng tôi (Hồi quy &; Phân loại) được tạo ra với lời giải thích đầy đủ về yếu tố nào góp phần vào quyết định mô hình và bao nhiêu. Bạn cũng có thể dễ dàng loại bỏ một số liên kết hoặc thành kiến nhất định trong dữ liệu để cải thiện tính công bằng dự đoán.
Data Cleaning &; Imputation giúp bạn phát hiện các trường trống hoặc không hợp lệ và đề xuất các bản sửa lỗi cho các trường đó bằng Mạng nơ-ron sâu dựa trên các quy tắc do người dùng xác định. Người dùng cũng có thể dễ dàng tạo đề xuất cho các giá trị bị thiếu bằng cách chọn "Impute empty or null cells".
Phân tích tình cảm có thể phân loại nội dung văn bản thành tình cảm tích cực, tiêu cực và trung tính. Phân tích tình cảm của chúng tôi hoạt động ở cấp độ ngữ cảnh và trích xuất tình cảm của một văn bản nhất định ở cấp độ câu và thực thể. Nó có thể được sử dụng bởi các doanh nghiệp để hiểu rõ hơn về nhận thức của khách hàng về thương hiệu, sản phẩm và danh tiếng của họ.
Tính năng dự báo chuỗi thời gian của chúng tôi với AI Deep Learning tiên tiến hoạt động liền mạch với các giá trị còn thiếu và dự báo nhiều chuỗi thời gian. Bạn có thể dự đoán các giá trị tương lai của các biến dựa trên giá trị lịch sử của chúng. Người dùng chỉ cần chọn biến ngày và độ dài dự đoán.
Phân đoạn hoặc phân cụm là một kỹ thuật học máy không giám sát không có biến phụ thuộc và độc lập được xác định. Phân đoạn dựa trên Deep Learning của chúng tôi tìm hiểu các mối quan hệ phức tạp giữa các đặc điểm khác nhau từ dữ liệu không được gắn nhãn để phân cụm dữ liệu thành các nhóm tương tự.
Tương quan là một mối liên hệ thống kê giữa các biến dù có nhân quả hay không nhưng nói chung, chỉ riêng mối tương quan là không đủ để suy ra mối quan hệ nhân quả. Phân tích tương quan có thể được sử dụng để tìm xem có mối quan hệ tuyến tính giữa các biến hay không và để ước tính sức mạnh của mối quan hệ đó.
