Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Conformal Prediction: A Gentle Introduction
A fekete dobozos gépi tanulási modelleket ma már rutinszerűen használják a nagy kockázatú környezetben, például az orvosi diagnosztikában, ahol a bizonytalanság számszerűsítésére van szükség a következetes modellhibák elkerülése érdekében. A konformális előrejelzés egy felhasználóbarát paradigma az ilyen modellek előrejelzéseinek statisztikailag szigorú bizonytalansági halmazok/intervallumok létrehozására. A konformális előrejelzést bármilyen előre betanított modellel, például neurális hálózattal használhatjuk olyan halmazok előállítására, amelyek garantáltan tartalmazzák az alapigazságot a felhasználó által meghatározott valószínűséggel, például 90%-kal. A módszer könnyen érthető, könnyen használható, és általánosságban természetesen alkalmazható többek között a számítógépes látás, a természetes nyelvfeldolgozás és a mély megerősítéses tanulás területén felmerülő problémákra.
Ebben a gyakorlatias bevezetőben a szerzők az olvasó számára a konformális előrejelzés és a kapcsolódó eloszlásmentes bizonytalansági számszerűsítési technikák gyakorlati megértését nyújtják. Végigvezetik az olvasót a konformális előrejelzés gyakorlati elméletén és példáin, és ismertetik annak kiterjesztéseit olyan komplex gépi tanulási feladatokra, amelyek strukturált kimeneteket, eloszláseltolódást, idősorokat, kiugró értékeket, tartózkodó modelleket és egyebeket tartalmaznak. Az egész könyvben számos magyarázó illusztráció, példa és Python nyelvű kódminta található. Minden kódminta mellé tartozik egy Jupyter notebook, amely a módszert valós adatpéldán valósítja meg.
Ez a gyakorlatias és közérthető példákkal teli, gyakorlatias oktatókönyv elengedhetetlen olvasmány minden olyan diák, gyakorló szakember és kutató számára, aki gépi tanulási technikákat alkalmazó rendszerek minden típusán dolgozik.