По мере того, как системы искусственного интеллекта и инструменты на основе машинного обучения распространяются в нашей повседневной жизни, как практики, так и критики все чаще заявляют о необходимости знать, как они добиваются результатов. Издержки незнания - финансовые, социальные, технические - стали слишком высокими. На этой неделе мы приглашаем вас прочитать три отличных поста, в которых объяснимость находится в центре внимания. (Если ваши интересы лежат в другом месте, не бойтесь: мы также займемся самостоятельной парковкой автомобилей, настольными играми и другими темами - так что продолжайте читать ...)
- Разберитесь с основами объяснимости. В контексте машинного обучения объяснимость может означать разные вещи в зависимости от конкретного момента жизненного цикла продукта, на который вы изучаете. К счастью, Aparna Dhinakaran предлагает учебное пособие, одновременно доступное и всеобъемлющее, закладывающее основу для дальнейшего обучения и более глубокого понимания.
- Измените свое мышление вокруг XAI. Проведя годы в исследованиях объяснимого ИИ, Брайс Мюррей предлагает нам меньше думать об алгоритмах и больше думать о конечных пользователях. Почему? Как заявляет Брайс в своем сообщении: Объясняемость с точки зрения дизайна дает инженерам ИИ максимальную свободу в разработке соответствующих объяснений, чтобы расширить возможности пользователей алгоритма (ов).
- Узнайте, как объяснить свою модель машинного обучения на Python. Для более практического подхода к вопросу объяснимости не ищите ничего, кроме визуального пошагового руководства Khuyen Tran по значениям SHAP и Shapely. Это пошаговое руководство для пациента, охватывающее множество вопросов, от основных определений до детальной реализации.
Если вы ищете другие важные темы, чтобы погрузиться в них, вас ждет угощение на этой неделе - участники TDS за последнее время затронули много вопросов.
- Узнайте о возможностях кластеризации для получения информации об общественном здравоохранении. Многие из вас, без сомнения, знают, как COVID-19 сделал жизнь уязвимых пациентов еще более сложной, чем обычно. Кристабель Пабалан и соавторы Виктор Назлуханян и Даниэль Каррера решили более внимательно изучить одну из таких групп и продемонстрировали комплексное воздействие пандемии на пациентов с болезнью Паркинсона.
- Рассмотрите рациональный подход к созданию и масштабированию групп обработки данных. Создав группы по обработке данных в Instagram и Spaceship, Крис Доусет делится ключевыми уроками из процесса, который может показаться запутанным, если не полностью хаотичным. Взяв за основу микросервисную архитектуру, Крис рекомендует план, который разбивает задачи на мелкие части и обеспечивает гибкость рабочих процессов и их легкость для улучшения.
- Прочтите о творческом способе борьбы с гендерными предубеждениями. Нина Суини, которой было поручено расширить охват и охват организации, которая продвигает гендерное равенство в технологическом секторе, опиралась на свои аналитические данные, чтобы найти станции метро Нью-Йорка, где их целевая аудитория могла бы с наибольшей вероятностью зайти. связаться со своим сообщением.
- Используйте науку о данных, чтобы победить своих друзей и семью в« Монополии ». Если вас расстраивает длинная полоса неудач в ночных играх или вам просто интересно узнать о неожиданных пересечениях науки о данных и настольных игр, не пропустите наш недавний разговор с Джейком Митчеллом , чья серия статей по этой теме исследует статистику, стоящую за Chutes & Ladders, Monopoly, Connect 4 и другими.
- Следуйте за тем, как генетический алгоритм учится парковать машину. Менее чем в 500 строк кода Алексей Трехлеб тренирует машину для параллельной парковки - и попутно делится своим опытом создания сложного увлекательного проекта с большим количеством кода и визуализаций ( не говоря уже о парковочной анимации).
Спасибо, что присоединились к нам на этой неделе! Если вам понравились тематические американские горки этих рекомендаций по чтению, мы надеемся, что вы подумаете о том, чтобы поддержать нас и наших авторов, став членами Medium.
До следующей переменной
Редакторы TDS
Последние добавления к нашим избранным темам:
"Начиная"
- Что, где и как насчет постоянного обучения на работе в качестве специалиста по данным Куок Тьен Ау
- Как найти свой путь через различные типы SQL, Мари Лефевр
- Объединение записей в непрерывную переменную с помощью Pandas Cut и QCut, автор Эллисон Стаффорд
Практические руководства
- Визуализируйте интерактивные графики с помощью Matplotlib от Парул Пандей
- Алгоритм роста FP от Джооса Корстанье
- Признаки того, что вы неправильно используете инструменты визуализации данных, Тесса Се
Глубокие погружения
- Тайна масштабирования функций наконец-то раскрыта, Дэйв Гуггенхайм
- Как работает процентильное приближение (и почему оно более полезно, чем средние), Дэвид Кон
- Как создавать продукты, основанные на машинном обучении, Сорен Ведель
Мысли и теория
- Анализ данных о здоровье с использованием технологий сети знаний от Хунхан Ву
- Алгоритм машинного обучения t-SNE - отличный инструмент для уменьшения размерности в Python, Саул Добилас
- Справедливый мир моделирования машинного обучения, в котором к мужчинам и женщинам следует относиться одинаково, Сун Вейран