Содержание
- 2. Задача Хотим понять хорошо ли будет работать решающая функция на практике. Санкт-Петербург, 2018 Н. Поваров, И.
- 3. График целевой метрики Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 4. График целевой метрики Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 5. Вспомним о чём ML Н. Поваров, И. Куралёнок Санкт-Петербург, 2018
- 6. Грубая классфикация способов оценки Black Box методы Online Offline Glass Box методы VC-оценки PAC-Bayes bounds Оценки
- 7. Грубая классфикация способов оценки Black Box методы Online Offline Glass Box методы VC-оценки PAC-Bayes bounds Оценки
- 8. Online Наблюдение Эксперимент Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 9. Online Наблюдение Эксперимент Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 10. Online Наблюдение Эксперимент Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 11. Online + В условиях эксплуатации + В положительные результаты эксперимента обычно верят + Легко хвастаться результатом
- 12. Offline + Нельзя навредить пользователям + Обычно можно проводить сильно больше экспериментов - Обычно нужны данные
- 13. Оценка качества как система принятия решений Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок Nature СПР
- 14. Offline Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 15. Offline на данных Hold Out Cross-fold Validation Bootstrap Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 16. Hold-out Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 17. Cross-fold Validation Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 18. Cross-fold Validation Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 19. Cross-fold Validation Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 20. Повторные выборки Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 21. Где в offline система принятия решений Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 22. Где в offline система принятия решений Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок В случае hold-out —
- 23. Как выбрать статтест? Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 25. Классический подход что надо помнить Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок Направленность Шкала измерений (отношений, порядка,
- 26. Есть метод проще! Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 27. Правильный подход на примере hold-out Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок A bootstrap sample is a
- 28. Правильный подход на примере hold-out Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 29. Common knowledge Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок Model Selection Flexibility Bias-Variance trade-off Evaluation Выбор сложности
- 30. На примере Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 31. На примере Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 32. На примере Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 33. Формальная картинка же Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 34. Сложность (гибкость) модели Чем больше в модели параметров, тем больше информации она может нести. — Ваш
- 35. Определение I Переобучение, переподгонка (overfitting, high variance) — нежелательное явление, возникающее при решении задач обучения по
- 36. Определение II Недообучение (underfitting, high bias) — нежелательное явление, возникающее при решении задач обучения по прецедентам,
- 37. Зачем знать Увеличение числа примеров для обучения исправляет high variance Меньшее число факторов исправляет high variance
- 38. Как понять где мы находимся Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 39. Как понять где мы находимся Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок Underfit Overfit
- 40. Как понять где мы находимся Санкт-Петербург, 2018 Н. Поваров, И. Куралёнок
- 41. Как можно переобучиться Линейные модели: степень полинома Деревья решений: глубина дерева Нейронные сети: ширина и глубина
- 42. Итого offline В академической среде чаще всего это про сложность модели В промышленности это про выбор
- 44. Скачать презентацию