مبانی هوش مصنوعی و یادگیری ماشینی : پیش بینی، علیت و استنتاج آماری

در دنیای علوم داده ها، یادگیری ماشین و آمار اغلب با هم توزیع می شود، اما آنها به اهداف مختلف خدمت می کنند و در یکی از آنها به معنای تخصص دیگری نیست. در حقیقت، استفاده از یک رویکرد آماری به یک مشکل یادگیری ماشین، یا بالعکس، می تواند منجر به سردرگمی بیش از توضیح شود. در این دوره، کیت McCormick چگونه آمار و یادگیری ماشین متفاوت است، زمانی که برای استفاده از هر یک، و نحوه استفاده از تمام ابزارها در اختیار شما برای روشن و قانع کننده زمانی که شما نتایج خود را به اشتراک بگذارید. او موضوعاتی را پوشش می دهد: چرا همبستگی شواهد کافی درباره علیت است؛ تفاوت بین داده های تجربی و مشاهدات؛ و تفاوت بین آمار سنتی و آمار بیزی. کیت همچنین به علیت نگاه می کند، یک موضوع حیاتی در هنگام استفاده از آمار و یادگیری ماشین برای اثبات چیزی باعث می شود چیز دیگری باشد. اگر مدل های یادگیری ماشین را بسازید، تجزیه و تحلیل آماری را اجرا کنید یا به خصوص اگر هر دو را انجام دهید، این دوره برای شماست.

عنوان اصلی : Machine Learning and AI Foundations: Prediction, Causation, and Statistical Inference

سرفصل های دوره :

مقدمه:
پیش بینی، علیت، و استنتاج آماری
1. یک مدل گاه به گاه چیست؟ :
Lady Tasting Tea
چرا علیت در یک محیط کسب و کار مهم است
یک مدل علمی چیست؟
2. شک و تردید سالم در مورد داده های ما و نتایج ما:
Sktticism درباره داده ها: نظرسنجی انتخابات Truman 1948
Skepticism درباره نتایج: آیا این واقعا بهترین پیش بینی کننده است؟
Sktticism در مورد علل: X واقعا باعث می شود Y؟
3. همبستگی به معنای علیت نیست:
همبستگی قوی چیست؟
Pearson در رابطه با همبستگی و علیت
همبستگی و رگرسیون
چالش: چه چیزی باعث می شود؟
راه حل: چه چیزی باعث می شود چه چیزی؟
4. پیش بینی و اثبات در آمار:
استفاده از احتمال برای اندازه گیری عدم اطمینان
P-value Review
چک لیست تست فرضیه
Taleb در Normality، Mediocristy، و افراطی
چالش: ارزیابی قابل توجهی را ارزیابی کنید
راه حل: ارزیابی قابل توجه
5. کسر و القاء:
القاء و کسر چیست؟
hume در القاء
پوپر در القاء و جعل
Taleb در القاء
counterfactuals: مروارید بر القاء و علیت
6. پیش بینی و اثبات در داده کاوی:
داده کاوی Data VS. DREDGING
Train / Test: چه چیزی می تواند اشتباه باشد؟
تست A / B در طول مرحله ارزیابی
7. دو فرهنگ: آمار متضاد و داده کاوی:
دو فرهنگ
توضیح در مقابل پیش بینی
مقایسه CRISP-DM و روش علمی
استفاده از دو روش در محل کار
نتیجه گیری:
مرور