Dokładność to nie wszystko: Dobre modele czają się wszędzie

Proszę dołączyć do Charlottesville Data Science na wystąpienie "Dokładność to nie wszystko: Dobre modele czają się wszędzie" wygłoszone przez Evzenie Coupkovą, doktora matematyki z Purdue. W tym wystąpieniu, zamiast koncentrować się na jednym "najlepszym" modelu, Evzenie zbada szeroki krajobraz możliwych modeli, rozważy, co oznacza, że model uczenia maszynowego jest "dobry" dla danego problemu oraz zbada kompromisy między dokładnością predykcji a innymi pożądanymi cechami, takimi jak uogólnienie i interpretowalność. Spotkamy się osobiście w UVA School of Data Science w wieczór czwartku, 8 października. Czekamy, aby Cię zobaczyć! → Czy jesteś zapisany na Substack Charlottesville Data Science? Jeśli nie, rozważ subskrypcję pod adresem https://news.cvilleds.org. To darmowe, a to główny sposób, w jaki dzielimy się ogłoszeniami i aktualizacjami wydarzeń z społecznością data science, AI oraz uczenia maszynowego w Charlottesville i Centralnej Wirginii. ← O wykładzie Naukowcy danych często koncentrują się na pojedynczym "najlepszym" modelu — tym o najwyższej dokładności. Ale co, jeśli spojrzymy na wszystkie możliwe modele? Czy wiele innych osiągnie podobną dokładność i jak to zależy od zbioru danych? Prezentacja ta znajduje się na styku pracy Cynthii Rudin nad interpretowalnością oraz badań Sanjeeva Arory dotyczących optymalizacji i uogólniania sieci neuronowych. Zaczynamy od prostych, intuicyjnych przypadków: modele liniowe stosowane do mieszanek Gaussa. Badamy, gdzie w przestrzeni parametrów znajdują się modele o wysokiej i niskiej dokładności oraz jak proporcje "dobrych" modeli zmieniają się w miarę wzrostu odległości między średnimi klas. Następnie przechodzimy do losowo inicjowanych sieci neuronowych, zadając to samo pytanie: jaki odsetek z nich to "dobre" klasyfikatory? Korzystając z podejścia Sanjeeva Arory opartego na macierzach do pomiaru złożoności zbioru danych, badamy, jak ta złożoność wpływa na odsetek "dobrych" sieci. Wyniki eksperymentów na rzeczywistych zbiorach danych o różnych rozmiarach próbek i wymiarowości zostaną zaprezentowane. Podstawową zasadą obu części wykładu jest ogólna zasada, która obowiązuje dla każdej pary model-dane: jeśli wiesz, że "dobre" modele są liczne, możesz poprawić uogólnienie, nie rezygnując z dużej dokładności. Możesz również wybrać model, który lepiej odpowiada Twoim potrzebom, jeden, który jest łatwy do interpretacji i odpowiedni do podejmowania decyzji w sytuacjach wysokiego ryzyka (takich jak opieka zdrowotna czy system sądowniczy), jeden, który jest rzadki lub jeden, który spełnia ograniczenia narzucone przez ekspertów. Jeśli chcesz zmienić perspektywę i zbadać pełny krajobraz modeli, ten wykład jest dla Ciebie. O prelegentce Evzenie Coupkova posiada doktorat z matematyki na Uniwersytecie Purdue i specjalizuje się w teorii uczenia statystycznego, uczeniu maszynowym oraz analizie danych o wysokiej wymiarowości. Jej badania koncentrują się na redukcji wymiarowości, proporcji modeli o wysokiej dokładności oraz uogólnialności w związku z przypadkowością i etykietami zbiorów danych. Współpracowała z partnerami z sektora przemysłowego oraz prezentowała swoją pracę na konferencjach, w tym IPAM-UCLA i SIAM MDS, łącząc rygor matematyczny z praktycznymi zastosowaniami nauki o danych.