Все модели ошибочны, но некоторые из них полезны. — Джордж Бокс Этот пост является первым в серии из трех, которые соответствуют лекциям качество моделей нашего курса Машинное обучение в производстве , за которыми следуют Измерение точности моделей и Тестирование моделей (за пределами Точность) . Более короткая версия этих трех глав ранее была опубликована в виде записи в блоге . Другие темы смотрите в таблице содержания . Для специалистов по данным оценка обычно..

В этом посте рассказывается о лекциях Справедливость нашего курса Машинное обучение в производстве . Остальные главы смотрите в содержании . Справедливость — одна из наиболее обсуждаемых тем в машинном обучении. Она возникла из-за осознания того, как модели, обученные на данных, могут выявлять предубеждения в этих данных и, возможно, даже усиливать существующие предубеждения. Несправедливые модели могут привести к продуктам, которые просто не подходят для некоторых групп..

Этот пост содержит третью и последнюю главу из серии лекций о качестве моделей нашего курса Машинное обучение в производстве . В предыдущих главах обсуждалось, что на самом деле означает правильность для модели с машинным обучением ( ссылка ) и как специалисты по данным традиционно используют различные меры точности для оценки качества модели на тестовых данных ( ссылка ). В этой главе основное внимание уделяется более продвинутым стратегиям тестирования, многие из которых были..

Заявление об ограничении ответственности. Следующее обсуждение направлено на разъяснение терминологии и понятий, но может вас разочаровать, если вы ожидаете практических выводов. В лучшем случае это может послужить вдохновением для того, как подойти к обеспечению качества в системах с поддержкой машинного обучения и какие методы следует изучить. TL; DR: я утверждаю, что машинное обучение соответствует фазе разработки требований проекта, а не фазе реализации, и поэтому терминология,..