Публикации по теме 'bias'
Анализ ошибок в глубоком обучении
Эта статья документирует мое понимание того, как разобраться в ошибках, полученных на различных этапах обучения и проверки модели нейронной сети, и как использовать их для улучшения модели. Я пытаюсь шаг за шагом пройти через различные этапы, понять, что означает каждая ошибка, и возможные решения по их улучшению.
При обучении с учителем ошибку можно грубо разделить на две категории: неснижаемые и редуцируемые ошибки. Целью анализа ошибок и разработки различных методов улучшения модели..
Зачем нужна этика для искусственного интеллекта: этика
Нам нужно специально подумать о влиянии классификации, машинного обучения и искусственного интеллекта на процессы принятия решений.
В 2017 году Кейт Кроуфорд выступила на NIPS, конференции по системам обработки нейронной информации. Она убедительно показала, что аналитические модели, обученные на существующих данных, демонстрируют нежелательное поведение, например дискриминационное.
В качестве примера она приводит известную новостную статью ProBublica. В статье исследованы..
Вы подвержены предубеждениям?
Возможно - да. И ты даже этого не знаешь.
Проведем простой тест.
Поищите в Google по этим ключевым словам: сколько жителей в Берлине?
Ответ: 3,5 млн.
Неопровержимые данные, даже предложенные самим Google без необходимости переходить по какой-либо ссылке. И чтобы быть еще более неприступным, также предоставляется относительная дата. 2016.
Другой вопрос: кто президент США?
Ответ: Дональд Дж. Трамп.
Опять же, нет ссылки, по которой можно было бы перейти. Google знает ответ..
Предвзятость и дисперсия в машинном обучении
Прежде чем переходить к смещению и отклонению , мы должны четко понять, что такое недостаточное и чрезмерное соответствие .
Недостаточная подгонка : здесь точки данных не попадают близко к кривой и дают большее значение общей ошибки для новых точек данных.
LOW TRAINING DATA ACCURACY
LOW TESTING DATA ACCURACY
Чрезмерная подгонка: это полная противоположность недоподгонки , когда все точки падают точно на кривую, в результате чего новые точки тестирования,..
Что легче исправить: предвзятость алгоритма или ошибку человека?
Что легче исправить: предвзятость алгоритма или ошибку человека?
В увлекательной статье New York Times Предвзятые алгоритмы легче исправить, чем предвзятых людей »исследуются растущие опасения по поводу того, что многие алгоритмы, используемые для оценки кандидатов на работу, настроены против женщин , отражают предубеждения в приложениях для знакомств и настроены против определенных групп в отношении криминального профиля , здравоохранения или рекламы .
Алгоритмы по своей..
Предвзятость цитирования в системе рекомендаций по цитированию.
Как систематическая ошибка цитирования влияет на объективность исследовательских публикаций?
Текущие темпы исследований и технологических разработок привели к экспоненциальному увеличению количества исследовательских публикаций. В наш век цифровой информации исследователи сталкиваются с непростой проблемой поиска правильных ссылок для публикации документа. Цитаты написаны для подтверждения заявлений об исследованиях и правильного упоминания прошлых и современных исследований. Выбор..
Как сам код создает #bias и как это влияет на автоматизированное принятие решений
Просто прочитайте Алгоритмы «Мы — данные и создание нашего цифрового я Джона Чейни-Липпольда» на стр. 191. Джон исследует тест если/иначе .
На простом уровне вложенный Python If; Оператор Else может выглядеть как код ниже. Это красиво в своей простоте и предлагает воспроизводимый и детерминированный способ сопоставить оценку с логическим номером полученной отметки. В каждом случае есть один выход; на основе фактической отметки ввода. Счастливые дни
if оценка ›= 90:..
