外围彩票365

  • <tr id='P3ueMa'><strong id='P3ueMa'></strong><small id='P3ueMa'></small><button id='P3ueMa'></button><li id='P3ueMa'><noscript id='P3ueMa'><big id='P3ueMa'></big><dt id='P3ueMa'></dt></noscript></li></tr><ol id='P3ueMa'><option id='P3ueMa'><table id='P3ueMa'><blockquote id='P3ueMa'><tbody id='P3ueMa'></tbody></blockquote></table></option></ol><u id='P3ueMa'></u><kbd id='P3ueMa'><kbd id='P3ueMa'></kbd></kbd>

    <code id='P3ueMa'><strong id='P3ueMa'></strong></code>

    <fieldset id='P3ueMa'></fieldset>
          <span id='P3ueMa'></span>

              <ins id='P3ueMa'></ins>
              <acronym id='P3ueMa'><em id='P3ueMa'></em><td id='P3ueMa'><div id='P3ueMa'></div></td></acronym><address id='P3ueMa'><big id='P3ueMa'><big id='P3ueMa'></big><legend id='P3ueMa'></legend></big></address>

              <i id='P3ueMa'><div id='P3ueMa'><ins id='P3ueMa'></ins></div></i>
              <i id='P3ueMa'></i>
            1. <dl id='P3ueMa'></dl>
              1. <blockquote id='P3ueMa'><q id='P3ueMa'><noscript id='P3ueMa'></noscript><dt id='P3ueMa'></dt></q></blockquote><noframes id='P3ueMa'><i id='P3ueMa'></i>

                手机APP开发,微信小程序开发,智能硬件,云计算,网站建设,微信开发,软件开发,网络公司,软件公司,彩神8官网,安徽APP开发,安徽小程序开发,上海APP开发,上海小程序开发

                高新技术企业

                面对到处兜售的“AI”和“机器学习”,7条原则帮你识破骗局

                位置:彩神8官网 > 新闻动态 > 行业新闻 > 正文 发布日期:2020-06-22 浏览:

                图源:unsplash
                 
                作为新晋风口“AI”和“机器学习”,无论是商业领导人、创业者、天使投资人、企业中层管理人员、黑客马拉松的裁判还是“技术”相关人员,都有可能面对这种情况:有人试图“推销”他们的“AI产品”、“机器学习软件”或者其他时髦词汇的花哨组合。
                如果陷入这样的境地,有时你会感到专业知识不足,无法妥善决策。
                 
                坚守阵地,不要被吓倒了!以下七条常识可以帮你从捕捉信号,看穿夸夸其谈的说辞,识破骗局和谎言。

                 
                1. “我们用AI来…”
                 
                爱因斯坦说“不能简明地解释一件事,说明你对它懂得不够多。”
                 
                如果有人说到“AI”这一包罗万象的概念,请小心,这有可能是花哨的推销。当然啦,也有可能是真的为了避免顾客烦心,因此省略了令人痛苦的复杂细节。
                 
                可以先假定他们无罪,但是要深挖细节,多了解一下具体使用了哪个机器学习模型,并让他们通过类比解释。
                 
                你可以问问他们这些问题:
                 
                为什么选择这一方案,不选其他方案?

                为什么对于这些数据,这个方案胜过其他方案?

                是否有人解决过类似的问题?如果有,他们采用了什么方法?

                有试过别的方法(模型/算法/技术)吗?结果与现在的方案有什么不同?(如果可以的话,要求提供图表作为证据)

                尽管没必要一开始就明白所有问题的答案,但是我们应该问问题,尽可能地弄清楚、搞明白。笔者还没有遇到过哪个机器学习概念是无法用类比解释的。因此,如果觉得谈论太多技术细节太过困难,就要求进一步的解释。这样仔细的审查不仅能加深理解,也能展示该方案的思路。

                 
                2. 无用输入,无用输出
                 
                图源:https://media.tenor.com
                 
                “除了上帝,我只相信(优质)数据。”——爱德华兹·戴明
                 
                只有优质的数据,才能得到优秀的模型。因此,你应确认用于训练机器学习模型的数据质量。虽然“质量”难以定义,但有一个简单的方法可以了解训练数据的质量,问问他:与模型在“现实世界”处理的数据相比,训练数据的相似度和代表性如何?
                 
                无论一个机器学习模型有多花哨、多前沿,如果用于训练的数据质量堪忧,结果必然极其糟糕。
                 
                3. 适者生存
                 
                上世纪90年代到本世纪初,电子收件箱的垃圾邮件过滤器会寻找拼写错误和其他明显的迹象,自动将垃圾邮件放入垃圾邮件文件夹。
                 
                现在,垃圾邮件制造者变得更聪明了,垃圾邮件也越来越难检测了。现在的电子邮件服务商必须适应这一趋势,采用更精密的机器学习模型,准确识别垃圾邮件。
                 
                图源:unsplash

                 
                有一点我们必须明白:随着时代变化以及输入数据迭代,机器学习模型是否能够无障碍地用新数据重新训练,或者用更出色的模型替代。这很重要,顾客应该知道他们购买的方案是否有“有效期”。
                 
                4. 用正确的标准衡量正确的东西


                图源:unsplash
                 
                衡量机器学习模型的分类性能标准当中,准确性是非常常见的标准。例如,对于分类猫和狗图片的机器学习模型来说,96%的准确率可以说非常出色。这意味着在100张猫和狗的图片中,模型能够准确地猜出其中96张。
                 
                现在,假设某银行将同样的标准应用于对欺诈交易的识别。欺诈识别器可以轻松达到96%的准确率,因为欺诈交易十分罕见。然而识别欺诈交易并不是96%的正确识别就足够了,而是要降低出错率,错误识别4%的欺诈交易会带来很大的危害。
                 
                对于银行欺诈的例子来说,假负率比准确率更能反映模型的性能。根据不同问题的要求,可以用其他的标准替代准确率,比如精确率、召回率、特异性和F1值等。你必须留心他是否运用正确的指标,如果可能的话,可以使用多种指标。
                 
                5. 更多,更多,更多!
                 
                一般来说,在其他条件不变的情况下,用于训练的数据越多,模型的表现就越好,深度学习模型尤其如此。它就好比备考SAT的高中生,如果做了大量的练习,练习了各种各样的问题,就更有可能在SAT考试中取得好成绩。
                 
                图源:unsplash
                 
                获得(足够)数据之前就形成理论是一个重大的错误。重要的是,确保任何机器学习模型都有足够的数据用于训练。多少数据才算够呢?多多益善!理想情况下,数据应该来源可靠,而且必须物尽其用。
                 
                6. 可解释性
                 
                在机器学习中,往往需要在追求卓越模型性能和简要解释模型运行之间保持平衡,低性能模型尤其如此。一般来说,对于复杂的数据,模型越精密、越复杂就越好。然而,因为这些模型更加复杂,解释输入数据对输出结果的影响也就更加困难。
                 
                举个例子,假设要用非常复杂的机器学习模型预测某产品的销量。输入模型的数据是电视、报纸和广播的广告开支。这个复杂模型能够给出非常准确的销量预测,但是无法解释这3种推广渠道,即电视、广播和报纸,哪个对销量的影响最大、哪个更值得投入。
                 
                另一方面,更简单的模型可能结果没有那么准确,但是能够解释哪个渠道更值得投入。顾客必须有平衡模型性能和可解释性的意识。这很重要,因为如何在可解释性和性能之间取得平衡取决于目的,因此使用模型的人必须做出决定。
                 
                7. 那么…你有什么优点和缺点?
                 
                图源:https://i2.wp.com

                 
                这是企业面试时常问的问题。在评估机器学习方案时,优缺点问题非常有用。如果有人推荐某个机器学习方案,一定要问问他们这个方案的局限性:
                 
                采用这一方案是否利大于弊?

                该方案的局限性将来是否会影响其性能?

                成功的关键在于了解自身弱点并成功地弥补弱点。缺乏这一能力的人总是失败。站在采用高效、可持续的机器学习方案的角度来说,了解其局限性对于其成功至关重要。

                 
                不仅如此,要求推荐者说明方案的局限性也能反映透明度的问题。这反映出推荐这一方案的人考虑有多细致、是否值得信任。
                 
                如你所见,识破谎言的关键之处就是不要慌张,大胆提问吧!询问、澄清、仔细审查所有不确定的东西。依靠这7条建议,你可以强化理解并全面评估机器学习方案。答不上来这些问题的推销者们,还不快快现身!
                【声明】本文由网友自行发布(原文出处),转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题,请及时与我们联系,我们将在第一时间删除内容!
                  QQ咨询

                微信扫码发起聊天

                4000-121-123