Conformal Prediction: A Gentle Introduction

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Zawartość książki:

Czarnoskrzynkowe modele uczenia maszynowego są obecnie rutynowo stosowane w środowiskach wysokiego ryzyka, takich jak diagnostyka medyczna, które wymagają kwantyfikacji niepewności w celu uniknięcia awarii modelu. Predykcja konforemna jest przyjaznym dla użytkownika paradygmatem tworzenia statystycznie rygorystycznych zestawów/przedziałów niepewności dla przewidywań takich modeli. Można użyć predykcji konforemnej z dowolnym wstępnie wytrenowanym modelem, takim jak sieć neuronowa, do tworzenia zestawów, które gwarantują, że zawierają prawdę z określonym przez użytkownika prawdopodobieństwem, takim jak 90%. Jest łatwa do zrozumienia, łatwa w użyciu i ogólnie rzecz biorąc, ma naturalne zastosowanie do problemów pojawiających się między innymi w dziedzinie wizji komputerowej, przetwarzania języka naturalnego, głębokiego uczenia się ze wzmocnieniem.

W tym praktycznym wprowadzeniu autorzy zapewniają czytelnikowi praktyczne zrozumienie predykcji konforemnej i powiązanych technik kwantyfikacji niepewności bez rozkładu. Prowadzą czytelnika przez praktyczną teorię i przykłady predykcji konforemnej oraz opisują jej rozszerzenia na złożone zadania uczenia maszynowego obejmujące ustrukturyzowane dane wyjściowe, przesunięcie rozkładu, szeregi czasowe, wartości odstające, modele, które wstrzymują się od głosu i wiele innych. W całym tekście znajduje się wiele ilustracji, przykładów i próbek kodu w Pythonie. Do każdej próbki kodu dołączony jest notatnik Jupyter implementujący metodę na przykładzie danych rzeczywistych.

Ten praktyczny samouczek, pełen praktycznych i przystępnych przykładów, jest niezbędną lekturą dla wszystkich studentów, praktyków i badaczy pracujących nad wszystkimi typami systemów wdrażających techniki uczenia maszynowego.