人工智能(AI)为改善私人和公共生活提供了很多机会,以自动化的方式在大型数据中发现模式和结构是数据科学的核心组件,目前驱动着计算生物学、法律和金融等不同领域的应用发展。然而,这种高度积极的影响也伴随着重大的挑战:我们如何理解这些系统所建议的决策,以便我们能够信任它们?在这个报告中,我们特别关注数据驱动的方法——特别是机器学习(ML)和模式识别模型——以便调查和提取结果和文献观察。通过注意到ML模型越来越多地部署在广泛的业务中,可以特别理解本报告的目的。然而,随着方法的日益普及和复杂性,业务涉众对模型的缺陷、特定数据的偏差等越来越关注。类似地,数据科学从业者通常不知道来自学术文献的方法,或者可能很难理解不同方法之间的差异,所以最终使用行业标准,比如SHAP。在这里,我们进行了一项调查,以帮助行业从业者(以及更广泛的数据科学家)更好地理解可解释机器学习领域,并应用正确的工具。我们后面的章节将围绕一位公认的数据科学家展开叙述,并讨论她如何通过提出正确的问题来解释模型。

https://arxiv.org/abs/2009.11698

成为VIP会员查看完整内容
0
35

相关内容

当前的深度学习研究以基准评价为主。如果一种方法在专门的测试集上有良好的经验表现,那么它就被认为是有利的。这种心态无缝地反映在连续学习的重现领域,在这里研究的是持续到达的基准数据集。核心挑战是如何保护之前获得的表示,以免由于迭代参数更新而出现灾难性地遗忘的情况。然而,各个方法的比较是与现实应用程序隔离的,通常通过监视累积的测试集性能来判断。封闭世界的假设仍然占主导地位。假设在部署过程中,一个模型保证会遇到来自与用于训练的相同分布的数据。这带来了一个巨大的挑战,因为众所周知,神经网络会对未知的实例提供过于自信的错误预测,并在数据损坏的情况下崩溃。在这个工作我们认为值得注意的教训来自开放数据集识别,识别的统计偏差以外的数据观测数据集,和相邻的主动学习领域,数据增量查询等预期的性能收益最大化,这些常常在深度学习的时代被忽略。基于这些遗忘的教训,我们提出了一个统一的观点,以搭建持续学习,主动学习和开放集识别在深度神经网络的桥梁。我们的结果表明,这不仅有利于每个个体范式,而且突出了在一个共同框架中的自然协同作用。我们从经验上证明了在减轻灾难性遗忘、主动学习中查询数据、选择任务顺序等方面的改进,同时在以前提出的方法失败的地方展示了强大的开放世界应用。****

成为VIP会员查看完整内容
0
23

探索多年来用户研究如何受到一系列学科的影响,如人机交互、可用性、人类学、认知心理学、人体工程学等。本书旨在为用户研究社区做出贡献,涵盖的主题将帮助用户体验专业人士、学生和利益相关者更好地理解什么是用户研究。

通过这本书,你将获得一套实用的技能,范围从如何进行研究,以建立一个案例,以获得所需的预算和资源。它将为你提供一个如何组织你的研究,如何计划它,以及如何在整个项目中管理利益相关者的期望的清晰的说明。您将看到如何将用户研究融入到您的组织中,并在不同的产品开发阶段(发现、Alpha、Beta直到上线)将其结合起来,以及如何发展一个用户研究团队。

《实用用户研究》回顾了用于用户研究的方法论,着眼于如何招募参与者,如何收集和分析数据,最后关注如何解释和展示你的发现。跨文化研究、可及性和辅助数字研究也将在本书中讨论。最后一章给你10个项目概要,你将能够应用你的新技能集,并将你所学到的付诸实践。

你将学习:

  • 将用户研究整合到你的业务中
  • 将用户研究应用到产品开发周期中
  • 审查进行用户研究所需的适当程序
  • 用一种实用的方法进行用户研究

这本书是给谁的:

  • 任何想了解更多用户研究的人。
成为VIP会员查看完整内容
0
34

通过机器学习的实际操作指南深入挖掘数据

机器学习: 为开发人员和技术专业人员提供实践指导和全编码的工作示例,用于开发人员和技术专业人员使用的最常见的机器学习技术。这本书包含了每一个ML变体的详细分析,解释了它是如何工作的,以及如何在特定的行业中使用它,允许读者在阅读过程中将所介绍的技术融入到他们自己的工作中。机器学习的一个核心内容是对数据准备的强烈关注,对各种类型的学习算法的全面探索说明了适当的工具如何能够帮助任何开发人员从现有数据中提取信息和见解。这本书包括一个完整的补充教师的材料,以方便在课堂上使用,使这一资源有用的学生和作为一个专业的参考。

机器学习的核心是一种基于数学和算法的技术,它是历史数据挖掘和现代大数据科学的基础。对大数据的科学分析需要机器学习的工作知识,它根据从训练数据中获得的已知属性形成预测。机器学习是一个容易理解的,全面的指导,为非数学家,提供明确的指导,让读者:

  • 学习机器学习的语言,包括Hadoop、Mahout和Weka
  • 了解决策树、贝叶斯网络和人工神经网络
  • 实现关联规则、实时和批量学习
  • 为安全、有效和高效的机器学习制定战略计划

通过学习构建一个可以从数据中学习的系统,读者可以在各个行业中增加他们的效用。机器学习是深度数据分析和可视化的核心,随着企业发现隐藏在现有数据中的金矿,这一领域的需求越来越大。对于涉及数据科学的技术专业人员,机器学习:为开发人员和技术专业人员提供深入挖掘所需的技能和技术。

成为VIP会员查看完整内容
0
71

深度神经网络(DNN)是实现人类在许多学习任务上的水平的不可缺少的机器学习工具。然而,由于其黑箱特性,很难理解输入数据的哪些方面驱动了网络的决策。在现实世界中,人类需要根据输出的dna做出可操作的决定。这种决策支持系统可以在关键领域找到,如立法、执法等。重要的是,做出高层决策的人员能够确保DNN决策是由数据特征的组合驱动的,这些数据特征在决策支持系统的部署上下文中是适当的,并且所做的决策在法律上或伦理上是可辩护的。由于DNN技术发展的惊人速度,解释DNN决策过程的新方法和研究已经发展成为一个活跃的研究领域。在定义什么是能够解释深度学习系统的行为和评估系统的“解释能力”时所存在的普遍困惑,进一步加剧了这种复杂性。为了缓解这一问题,本文提供了一个“领域指南”,为那些在该领域没有经验的人提供深度学习解释能力指南: i)讨论了研究人员在可解释性研究中增强的深度学习系统的特征,ii)将可解释性放在其他相关的深度学习研究领域的背景下,iii)介绍了定义基础方法空间的三个简单维度。

成为VIP会员查看完整内容
0
73

随着机器学习、图形处理技术和医学成像数据的迅速发展,机器学习模型在医学领域的使用也迅速增加。基于卷积神经网络(CNN)架构的快速发展加剧了这一问题,医学成像社区采用这种架构来帮助临床医生进行疾病诊断。自2012年AlexNet取得巨大成功以来,CNNs越来越多地被用于医学图像分析,以提高临床医生的工作效率。近年来,三维(3D) CNNs已被用于医学图像分析。在这篇文章中,我们追溯了3D CNN的发展历史,从它的机器学习的根源,简单的数学描述3D CNN和医学图像在输入到3D CNNs之前的预处理步骤。我们回顾了在不同医学领域,如分类、分割、检测和定位,使用三维CNNs(及其变体)进行三维医学成像分析的重要研究。最后,我们讨论了在医学成像领域使用3D CNNs的挑战(以及使用深度学习模型)和该领域可能的未来趋势。

成为VIP会员查看完整内容
0
30

大数据正在成为智能交通系统(ITS)的一个研究热点,这可以在世界各地的许多项目中看到。智能交通系统会产生大量的数据,将对智能交通系统的设计和应用产生深远的影响,从而使智能交通系统更安全、更高效、更有利可图。在ITS中研究大数据分析是一个蓬勃发展的领域。本文首先回顾了大数据和智能交通系统的发展历史和特点,接着讨论了ITS系统中进行大数据分析的框架,总结了ITS系统中的数据源和采集方法、数据分析方法和平台以及大数据分析应用领域。同时介绍了大数据分析在智能交通系统中的几个应用实例,包括道路交通事故分析、道路交通流量预测、公共交通服务规划、个人出行路线规划、轨道交通管理与控制、资产维护等。最后,本文讨论了在ITS中应用大数据分析的一些开放性挑战。

成为VIP会员查看完整内容
0
37
小贴士
相关论文
Jiang Lu,Pinghua Gong,Jieping Ye,Changshui Zhang
65+阅读 · 9月6日
Learning from Few Samples: A Survey
Nihar Bendre,Hugo Terashima Marín,Peyman Najafirad
39+阅读 · 7月30日
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
25+阅读 · 7月2日
Transfer Adaptation Learning: A Decade Survey
Lei Zhang
25+阅读 · 2019年3月12日
Learning From Positive and Unlabeled Data: A Survey
Jessa Bekker,Jesse Davis
3+阅读 · 2018年11月12日
Yao Quanming,Wang Mengshuo,Jair Escalante Hugo,Guyon Isabelle,Hu Yi-Qi,Li Yu-Feng,Tu Wei-Wei,Yang Qiang,Yu Yang
6+阅读 · 2018年10月31日
Alexander Jung
6+阅读 · 2018年8月19日
Seyed Sajad Mousavi,Michael Schukat,Enda Howley
12+阅读 · 2018年6月23日
Lei Zhang,Shuai Wang,Bing Liu
22+阅读 · 2018年1月24日
Yu Shi,Fangqiu Han,Xinran He,Carl Yang,Jie Luo,Jiawei Han
9+阅读 · 2018年1月19日
Top