تواصل معنا

البيانات الكبيرة

منصة التعلم عبر الإنترنت كورسيرا ملفات للاكتتاب العام في الولايات المتحدة

الصورة الرمزية

تم النشر

on

(رويترز) - تقدمت شركة كورسيرا للتعليم عبر الإنترنت ، يوم الجمعة ، بطلب إدراج في سوق الأوراق المالية لدى المنظمين الأمريكيين ، وكشفت عن زيادة في الإيرادات من تعزيز الأعمال بسبب الاضطراب الناجم عن جائحة COVID-19.

وقالت الشركة في بيان إن الإيرادات ارتفعت 59 بالمئة إلى 293.5 مليون دولار للسنة المنتهية في 31 ديسمبر كانون الأول 2020. (https://bit.ly/3kQRGBz)

تقدم كورسيرا دورات مثل آلة التعلم, سحابة الحوسبة وتعلم اللغة ، مع منصتها المستخدمة من قبل أكثر من 3,700 كلية وجامعة ، وفقًا لموقع الشركة على الإنترنت.

أطلقت "كورسيرا للحرم الجامعي" استجابةً للوباء لمساعدة المؤسسات التعليمية على تقديم دورات للطلاب العالقين في المنزل.

استفادت منصات التعلم عبر الإنترنت أيضًا حيث أخذ الموظفون الذين تم تسريحهم دورات عبر الإنترنت للتناوب إلى وظائف جديدة.

تأسست شركة Coursera التي يقع مقرها في ماونتن فيو بولاية كاليفورنيا في عام 2012 وتضم قائمة مستثمريها شركة رأس المال الاستثماري GSV Capital و Kleiner Perkins.

جمعت الشركة تمويلاً بقيمة 130 مليون دولار في يوليو ، ليصل رصيدها النقدي إلى أكثر من 300 مليون دولار.

اختارت بوابات التعلم الأخرى عبر الإنترنت ، مثل Nerdy Inc و Skillsoft ، طرحها للجمهور من خلال صفقات مع شركات فحص على بياض أيضًا.

اتسعت خسارة كورسيرا الصافية إلى 66.8 مليون دولار للسنة المنتهية في 31 ديسمبر ، من 46.7 مليون دولار في العام السابق.

مورجان ستانلي وجولدمان ساكس وسيتي جروب من بين الضامنين في عروض شركة تكنولوجيا التعليم.

(شارك في التغطية نيكيت نيشانت في بنغالورو ؛ تحرير سريراج كالوفيلا وشوناك داسغوبتا)

الصورة الائتمان: رويترز

الخروج PrimeXBT
تداول مع شركاء CFD الرسميين لشركة AC Milan
أسهل طريقة لتداول العملات المشفرة.
المصدر: https://datafloq.com/read/online-learning-platform-coursera-files-us-ipo/12954

البيانات الكبيرة

بيانات السجلات الصحية الإلكترونية تطلق حركة المرضى لامتلاك البيانات الصحية

الصورة الرمزية

تم النشر

on

بيانات السجلات الصحية الإلكترونية أعلن الإطلاق الرسمي لـ صانعو موجات بيانات السجلات الصحية الإلكترونية، حركة موجهة نحو تثقيف الأفراد وتمكينهم من خلق موجات من شأنها دفع التغيير الذي تشتد الحاجة إليه في صناعة الرعاية الصحية - حتى يتمكن المرضى من امتلاك بياناتهم الصحية والتحكم فيها.

يجب أن يكون لدى العديد من الأشخاص من جميع مناحي الحياة تجارب في التعامل مع سوء التواصل بسبب التأخير والفشل في استرداد ومشاركة سجلاتهم الصحية التي قد يكون لها تأثير سلبي على العلاج والرعاية الطبية لأحبائهم أو أحبائهم. في طليعة صانعي موجات بيانات السجلات الصحية الإلكترونية حركة هي الحملة الرقمية My EHR Story التي تشجع الأشخاص على مشاركة قصصهم على وسائل التواصل الاجتماعي باستخدام هاشتاغ #myEHRstory. لا يؤدي هذا فقط إلى خلق الوعي بالوضع الحالي حيث يواجه المرضى صعوبات في الوصول إلى بياناتهم الصحية الشخصية - عندما يجب أن تكون هذه البيانات من حقهم لامتلاكها والتحكم فيها - ولكن أيضًا يقود حركة نحو إدارة البيانات المسؤولة نحو استنادا blockchain- قاعدة بيانات الرعاية الصحية العالمية.

"بيانات EHR هي شركة موجودة منذ 41 عامًا في الولايات المتحدة وليست شركة ناشئة. إنه لاعب مهم في عالم بيانات الرعاية الصحية في الولايات المتحدة ، إنه يجلب 41 عامًا من الخبرة لمتابعة قيادة كريج رايت في تمكين الأشخاص من التحكم بشكل أكبر في بياناتهم ، وفي هذه الحالة ، بيانات الرعاية الصحية. يريدون خلق المزيد من سلامة المرضى. إنهم يبنون مفهوم السجل الصحي الإلكتروني العالمي بحيث يمكن أن تعيش جميع بياناتك الصحية في مكان واحد على blockchain. على عكس الأنظمة الحالية لدينا في الولايات المتحدة والعديد من البلدان حيث أذهب إلى طبيبي الممارس العام ، ولديهم بعض سجلاتي الصحية ؛ لدى طبيب أسناني بعض السجلات الصحية ، " جمعية بيتكوين قال الرئيس المؤسس جيمي نجوين في عرض تقديمي لحلول المؤسسات المبنية على بيتكوين SV blockchain خلال حدث في ليوبليانا ، سلوفينيا العام الماضي.

لم يكن من الممكن أن تأتي هذه الحركة في وقت أكثر ملاءمة. نظرًا لأن الناس يدركون قيمة البيانات خلال هذا الوقت من الجائحة ، فقد حان الوقت الآن لعمل موجات وسن التغييرات اللازمة للناس لامتلاك بياناتهم والاستفادة منها. ليس ذلك فحسب ، فقد تم بناء قاعدة بيانات الرعاية الصحية العالمية على Bitcoin SV blockchain ، والتي توفر الشفافية والأمان وقابلية التوسع والثبات على البيانات. علاوة على ذلك ، فإن Bitcoin SV blockchain يمكن أن تتسع البيانات الضخمة والمعاملات الدقيقة منخفضة التكلفة وتعمل على نموذج محفز اقتصاديًا ،

مما يجعلها مثالية لقاعدة بيانات رعاية صحية عالمية.

"تتغير الأوقات ، ويتم التركيز بشكل أكبر على قابلية التشغيل البيني والحق المطلق للمرضى في زيادة الوصول إلى بياناتهم الصحية. سوف نقود ونرعى هذه العملية. لقد حان الوقت لأن يكون هناك موقع مركزي لبيانات الرعاية الصحية ، يتم التحكم فيه وإذنه من قبل المريض بحيث يمكن له وفريقه من مقدمي الخدمات الوصول إليه في أي وقت ، "أوضح رون أوسترينج ، كبير علماء بيانات EHR.

نظرًا لأن المرضى يمتلكون بياناتهم الصحية ، فسيُطلب منهم الحصول على إذن عندما تكون بياناتهم مطلوبة للاستخدام من قبل مؤسسات مختلفة ، وسيتم الدفع لهم مقابل ذلك. هذا على النقيض من النظام الحالي حيث تستفيد الشركات الكبيرة فقط من جمع بيانات الأشخاص. وهذا هو سبب الحاجة إلى التغيير. يجب أن يجتمع الناس لإحداث ثورة في النظام حتى يتمكنوا من استعادة ملكية بياناتهم.

قم بزيارتنا https://ehrdata.com/wavemakers لتصبح جزءًا من هذه الحركة ولمعرفة المزيد حول كيفية مشاركة قصصك.

المؤلف: Makkie Maclang

رابط المصدر:https://bitcoinassociation.net/bitcoin-sv-means-business-why-bsv-is-the-enterprise-friendly-blockchain/

 

مواصلة القراءة

الذكاء الاصطناعي

التعلم العميق مقابل التعلم الآلي: كيف يؤثر مجال ناشئ على برمجة الكمبيوتر التقليدية

الصورة الرمزية

تم النشر

on

عندما يتشابك مفهومان مختلفان بشكل كبير ، قد يكون من الصعب الفصل بينهما كمواضيع أكاديمية متميزة. قد يفسر هذا سبب صعوبة الفصل التعلم العميق تبدأ من آلة التعلم ككل. بالنظر إلى الدفعة الحالية لكل من الأتمتة وكذلك الإشباع الفوري ، فقد تم تكديس قدر كبير من التركيز المتجدد على هذا الموضوع.

كل شيء من Worfklows التصنيع الآلي إلى الطب الرقمي الشخصي يمكن أن تنمو للاعتماد عليها التعلم العميق تقنية. ومع ذلك ، فإن تحديد الجوانب الدقيقة لهذا الانضباط التقني الذي سيحدث ثورة في هذه الصناعات هو أكثر صعوبة بكثير. ربما يكون من الأفضل التفكير في التعلم العميق في سياق حركة أكبر في علوم الكمبيوتر.

تعريف التعلم العميق كمجموعة فرعية من التعلم الآلي

تعلم الآلة والتعلم العميق وجهان أساسيان لعملة واحدة. تقنيات التعلم العميق هي تخصص محدد ينتمي إلى مجال أكبر بكثير يتضمن مجموعة كبيرة ومتنوعة من وكلاء الذكاء الاصطناعي المدربين الذين يمكنهم التنبؤ بالاستجابة الصحيحة في مجموعة واسعة من المواقف. ومع ذلك ، فإن ما يجعل التعلم العميق مستقلاً عن كل هذه التقنيات الأخرى هو حقيقة أنه يركز بشكل حصري تقريبًا على وكلاء التدريس لتحقيق هدف محدد من خلال تعلم أفضل إجراء ممكن في عدد من البيئات الافتراضية.

عادةً ما تقوم خوارزميات التعلم الآلي التقليدية بتعليم العقد الاصطناعية كيفية الاستجابة للمنبهات عن طريق الحفظ عن ظهر قلب. يشبه هذا إلى حد ما أساليب التدريس البشرية التي تتكون من التكرار البسيط ، وبالتالي يمكن التفكير في المكافئ المحوسب للطالب الذي يمر عبر جداول الضرب حتى يتمكن من قراءتها. في حين أن هذا فعال بطريقة ما ، إلا أن وكلاء الذكاء الاصطناعي المتعلمين بهذه الطريقة قد لا يكونوا قادرين على الاستجابة لأي حافز خارج نطاق مواصفات التصميم الأصلية الخاصة بهم.

هذا هو السبب في أن المتخصصين في التعلم العميق طوروا خوارزميات بديلة تعتبر متفوقة إلى حد ما على هذه الطريقة ، على الرغم من أنها مكثفة للغاية للأجهزة من نواح كثيرة. قد تستند الجسور الفرعية التي يستخدمها وكلاء التعلم العميق حول شبكات الخصومة التوليفية أو هياكل العقدة العصبية التلافيفية أو شكل عملي لآلة بولتزمان المقيدة. هذه تقف في تناقض حاد مع الأشجار الثنائية والقوائم المرتبطة المستخدمة بواسطة البرامج الثابتة التقليدية للتعلم الآلي بالإضافة إلى غالبية أنظمة الملفات الحديثة.

كانت الخرائط ذاتية التنظيم أيضًا في مرحلة التعلم العميق ، على الرغم من أن تطبيقاتها في مجالات أبحاث الذكاء الاصطناعي الأخرى كانت عادةً أقل واعدة. عندما يتعلق الأمر بتعريف ملف التعلم العميق مقابل التعلم الآلي ومع ذلك ، فمن المحتمل جدًا أن يبحث الفنيون عن تطبيقات عملية أكثر من بحث أكاديمي نظري في الأشهر المقبلة. يكفي أن نقول إن التعلم الآلي يشمل كل شيء من أبسط الذكاء الاصطناعي إلى الخوارزميات التنبؤية الأكثر تعقيدًا بينما يشكل التعلم العميق مجموعة فرعية أكثر انتقائية من هذه التقنيات.

تطبيقات عملية لتكنولوجيا التعلم العميق

اعتمادًا على كيفية تأليف برنامج معين ، يمكن نشر تقنيات التعلم العميق على طول الشبكات العصبية الخاضعة للإشراف أو شبه الخاضعة للإشراف. من الناحية النظرية ، سيكون من الممكن أيضًا القيام بذلك عبر تخطيط عقدة غير خاضع للإشراف تمامًا، وهذه التقنية هي التي سرعان ما أصبحت الواعدة. قد تكون الشبكات غير الخاضعة للإشراف مفيدة لتحليل الصور الطبية ، حيث يقدم هذا التطبيق غالبًا أجزاء فريدة من المعلومات الرسومية لبرنامج كمبيوتر يجب اختبارها مقابل المدخلات المعروفة.

شجرة ثنائية تقليدية أو أنظمة التعلم القائمة على blockchain لقد كافح لتحديد الأنماط نفسها في سيناريوهات مختلفة بشكل كبير ، لأن المعلومات تظل مخفية في هيكل كان من الممكن أن يصمم لولا ذلك لتقديم البيانات بفعالية. إنه في الأساس شكل طبيعي من أشكال إخفاء المعلومات ، وقد أربك خوارزميات الكمبيوتر في صناعة الرعاية الصحية. ومع ذلك ، يمكن لهذا النوع الجديد من عقد التعلم غير الخاضعة للإشراف أن يثقف نفسه فعليًا حول كيفية مطابقة هذه الأنماط حتى في بنية البيانات غير المنظمة وفقًا للخطوط العادية التي يتوقعها الكمبيوتر.

اقترح آخرون التنفيذ وكلاء تسويق ذكاء اصطناعيًا شبه خاضعين للإشراف يمكن أن يقضي على الكثير من القلق بشأن الأخلاقيات فيما يتعلق ببرنامج إغلاق الصفقات الحالي. بدلاً من محاولة الوصول إلى قاعدة عملاء كبيرة قدر الإمكان ، فإن هذه الأدوات ستحسب احتمالات أي فرد يحتاج إلى منتج في وقت معين. من أجل القيام بذلك ، ستحتاج إلى أنواع معينة من المعلومات التي تقدمها المنظمة التي تعمل نيابة عنها ، ولكنها ستكون قادرة في النهاية على التنبؤ بجميع الإجراءات الإضافية من تلقاء نفسها.

بينما تعتمد بعض الشركات حاليًا على الأدوات التي تستخدم تقنية التعلم الآلي التقليدية لتحقيق نفس الأهداف ، فإنها غالبًا ما يتم إنشاؤها باستخدام خصوصية والمخاوف الأخلاقية. لقد مكّن ظهور خوارزميات التعلم المنظم العميق مهندسي البرمجيات من ابتكار أنظمة جديدة لا تعاني من هذه العيوب.

تطوير بيئة التعلم الآلي الخاصة

غالبًا ما تكون برامج التعلم الآلي التقليدية خطيرة خصوصية بسبب حقيقة أنهم بحاجة إلى قدر كبير من المدخلات من أجل استخلاص أي استنتاجات قابلة للاستخدام. برنامج التعرف على الصور التعلم العميق تعمل عن طريق معالجة مجموعة فرعية أصغر من المدخلات ، وبالتالي ضمان أنها لا تحتاج إلى الكثير من المعلومات للقيام بها وظيفة. هذا له أهمية خاصة لأولئك الذين يهتمون بـ إمكانية تسريب بيانات المستهلك.

بالنظر إلى المواقف التنظيمية الجديدة بشأن العديد من هذه القضايا ، سرعان ما أصبح شيئًا مهمًا من وجهة نظر الامتثال أيضًا. كما بدأت مختبرات علم السموم باستخدام حزم التعلم العميقة المنظمة التي تركز على النشاط الحيوي، من المحتمل أن يعبر المنظمون عن مخاوف إضافية فيما يتعلق بكمية المعلومات اللازمة لأداء أي مهمة مع هذا النوع من البيانات الحساسة. اضطر علماء الكمبيوتر إلى تقليص ما وصفه البعض بخرطوم حريق حقيقي من البايتات التي تحكي قصة أكثر مما قد يكون مرتاحًا له.

بطريقة ما ، استمعت هذه التطورات إلى وقت سابق عندما كان يعتقد أن كل عملية في نظام يجب أن يكون لها فقط مقدار الامتيازات اللازمة لإكمال وظيفتها. نظرًا لأن مهندسي التعلم الآلي يتبنون هذا النموذج ، فمن المحتمل جدًا أن تكون التطورات المستقبلية أكثر أمانًا لمجرد أنها لا تتطلب المقدار الهائل من التنقيب عن البيانات اللازمة لتشغيل العمليات الحالية الحالية.

حقوق الصورة: toptal.io

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652

مواصلة القراءة

AI

ماذا فعل COVID لجميع موديلاتنا؟

الصورة الرمزية

تم النشر

on

ماذا فعل COVID لجميع موديلاتنا؟

مقابلة مع دين أبوت وجون إلدر حول إدارة التغيير والتعقيد وقابلية التفسير وخطر استيلاء الذكاء الاصطناعي على البشرية.


By هيذر فيسون، KNIME

ماذا فعل COVID لجميع موديلاتنا؟

بعد قمة KNIME Fall، الديناصورات عادت إلى المنزل ... حسنًا ، أغلقت أجهزة الكمبيوتر المحمولة الخاصة بهم. عميد أبوت و جون إلدر، خبراء علوم البيانات منذ فترة طويلة ، تمت دعوتهم إلى قمة الخريف من قبل مايكل للانضمام إليه في مناقشة مستقبل علم البيانات: محادثة مع ديناصورات الصناعة. وكانت النتيجة محادثة مثيرة حول تحديات علوم البيانات والاتجاهات الجديدة. منذ إطفاء أضواء الاستوديو ، روزاريا قام بتقطير وتوسيع بعض النقاط البارزة حول إدارة التغيير والتعقيد وقابلية التفسير والمزيد في عالم علم البيانات. دعونا نرى إلى أين أتت بنا.

ما هي تجربتك مع إدارة التغيير في الذكاء الاصطناعي ، عندما يتعين تحديث تغييرات ونماذج الواقع؟ ماذا فعل COVID لجميع موديلاتنا؟

 
[عميد] تفترض خوارزميات التعلم الآلي (ML) الاتساق بين الماضي والمستقبل. عندما تتغير الأشياء ، تفشل النماذج. لقد غير فيروس كورونا عاداتنا ، وبالتالي بياناتنا. تكافح نماذج ما قبل COVID للتعامل مع الوضع الجديد.

[يوحنا] مثال بسيط سيكون طبقة حركة المرور على خرائط Google. بعد عمليات الإغلاق التي ضربت دولة تلو الأخرى في عام 2020 ، كانت تقديرات حركة المرور على خرائط Google غير دقيقة للغاية لفترة من الوقت. لقد تم بناؤه على بيانات تدريب مستقرة إلى حد ما ولكن الآن تم التخلص من هذا النظام تمامًا.

كيف تعرف متى تغير العالم ولم تعد النماذج تعمل؟

 
[عميد] إليك خدعة صغيرة أستخدمها: أقوم بتقسيم بياناتي حسب الوقت وتسمية السجلات على أنها "قبل" و "بعد". ثم أقوم ببناء نموذج تصنيف للتمييز بين "بعد" مقابل "قبل" من نفس المدخلات التي يستخدمها النموذج. إذا كان التمييز ممكنًا ، فإن "ما بعد" يختلف عن "السابق" ، فقد تغير العالم ، وتغيرت البيانات ، ويجب إعادة تدريب النماذج.

ما مدى تعقيد إعادة تدريب النماذج في المشاريع ، خاصة بعد سنوات من التخصيص؟

 
[يوحنا] نماذج التدريب عادة ما تكون أسهل خطوة على الإطلاق! الغالبية العظمى من المشاريع الناجحة خلاف ذلك يموت في مرحلة التنفيذ. أعظم الوقت  يتم إنفاقه في مرحلة تنقية البيانات وإعدادها. والأكثر مشاكل تم تفويتها أو إجراؤها في مرحلة فهم الأعمال / تعريف المشروع. لذا ، إذا فهمت ما هو الخلل واستطعت الحصول على بيانات جديدة ووضع إطار عمل للتنفيذ ، فإن إنشاء نموذج جديد ، بالمقارنة ، واضح جدًا.

استنادًا إلى خبرتك التي امتدت لعقود ، ما مدى تعقيد تجميع تطبيق فعال لعلوم البيانات؟

 
[يوحنا] يمكن أن تختلف بالطبع ، من خلال التعقيد. تحصل معظم مشاريعنا على نماذج أولية عاملة على الأقل في غضون بضعة أشهر. لكن بالنسبة للجميع ، لا يمكنني التأكيد بما فيه الكفاية على أهمية ردود الفعل: عليك التحدث إلى الناس أكثر مما تريد. واستمع! نتعلم أشياء جديدة حول مشكلة العمل أو البيانات أو القيود في كل مرة. لسنا جميعًا نحن الأشخاص الكميون ماهرون في التحدث مع البشر ، لذلك غالبًا ما يتطلب الأمر فريقًا. لكن يجب أن يتعلم الفريق بأكمله من أصحاب المصلحة التحدث بنفس اللغة.

[عميد] من المهم التحدث إلى نظرائنا التجاريين. يخشى الناس التغيير ولا يريدون تغيير الوضع الحالي. إحدى المشكلات الرئيسية هي مشكلة نفسية حقًا. غالبًا ما يُنظر إلى المحللين على أنهم مصدر إزعاج. لذلك ، يتعين علينا بناء الثقة بين النظير التجاري ومهوسو التحليلات. يجب أن تتضمن بداية المشروع دائمًا الخطوة التالية: مزامنة خبراء المجال / مديري المشروع والمحللين وفريق تكنولوجيا المعلومات والبنية التحتية (DevOps) حتى يكون الجميع واضحًا بشأن أهداف المشروع وكيفية تنفيذه. يحتل المحللون المرتبة 11 في قائمة العشرة الأوائل من الأشخاص الذين يتعين عليهم رؤيتهم كل يوم! دعونا نتجنب تجسيد غطرسة عالم البيانات: "لا يمكن للعمل التجاري فهمنا / تقنياتنا ، لكننا نعرف ما هو الأفضل". لكن ما لا نفهمه هو أن خبراء المجالات هم في الواقع خبراء في المجال الذي نعمل فيه! تعتبر ترجمة افتراضات ومناهج علوم البيانات إلى لغة يفهمها خبراء المجال أمرًا أساسيًا!

الاتجاه الأخير الآن هو التعلم العميق ، ويبدو أنه يمكنه حل كل شيء. تلقيت سؤالًا من أحد الطلاب مؤخرًا ، يسأل "لماذا نحتاج إلى تعلم خوارزميات ML الأخرى إذا كان التعلم العميق هو أحدث ما توصلت إليه التكنولوجيا لحل مشاكل علوم البيانات"؟

 
[عميد] امتص التعلم العميق الكثير من الأكسجين من الغرفة. إنه شعور يشبه إلى حد كبير أوائل التسعينيات عندما صعدت الشبكات العصبية بتفاؤل مماثل! التعلم العميق عبارة عن مجموعة من التقنيات القوية بالتأكيد ، ولكن من الصعب تنفيذها وتحسينها. XGBoost ، مجموعات الأشجار ، هي أيضًا قوية ولكنها حاليًا أكثر انتشارًا. الغالبية العظمى من المشاكل التي نحتاج إلى حلها باستخدام التحليلات المتقدمة لا تتطلب في الواقع حلولًا معقدة ، لذا ابدأ بسيطًا ؛ التعلم العميق هو مبالغة في هذه المواقف. من الأفضل استخدام مبدأ ماكينة الحلاقة في أوكام: إذا كان هناك نموذجان يؤديان نفس الشيء ، فقم بتبني أبسطها.

عن التعقيد. الاتجاه الآخر ، عكس التعلم العميق ، هو تفسير ML. هنا ، أنت تبسط النموذج بشكل كبير (بشكل مفرط؟) حتى تتمكن من شرحه. هل التفسير مهم؟

 
[يوحنا] كثيرا ما أجد نفسي أحارب التفسير. إنه أمر رائع بالتأكيد ، ولكنه غالبًا ما يأتي بتكلفة عالية جدًا لأهم خصائص النموذج: الدقة الموثوقة. لكن العديد من أصحاب المصلحة يعتقدون أن القابلية للتفسير ضرورية ، لذلك تصبح حاجزًا أمام القبول. وبالتالي ، من الضروري اكتشاف نوع التفسير المطلوب. ربما هو مجرد معرفة ما هي أهم المتغيرات؟ هذا ممكن مع العديد من النماذج غير الخطية. ربما ، كما هو الحال مع شرح لمقدمي طلبات الائتمان لماذا تم رفضهم ، يحتاج المرء فقط إلى تفسير المخرجات لحالة واحدة في كل مرة؟ يمكننا بناء تقريب خطي لنقطة معينة. أو يمكننا إنشاء بيانات من نموذج الصندوق الأسود الخاص بنا وبناء نموذج "قابل للتفسير" لأي تعقيد يناسب تلك البيانات.

أخيرًا ، أظهر البحث أنه إذا أتيحت للمستخدمين فرصة اللعب بنموذج - أي لإثارة قيم تجريبية للمدخلات ورؤية مخرجاتها ، وربما تصورها - فإنهم يحصلون على نفس المشاعر الدافئة لقابلية التفسير. بشكل عام ، الثقة - في الأشخاص والتكنولوجيا وراء النموذج - ضرورية للقبول ، ويتم تعزيز ذلك من خلال الاتصال المنتظم وإدراج المستخدمين النهائيين للنموذج في مراحل البناء وقرارات عملية النمذجة.

[عميد] بالمناسبة ، تمتلك منصة KNIME Analytics ميزة رائعة لتقدير أهمية متغيرات الإدخال في غابة عشوائية! ال المتعلم العشوائي للغابات تُخرج العقدة إحصائيات المتغيرات المرشحة والمتغيرات الفاصلة. تذكر أنه عند استخدام عقدة Random Forest Learner.

هناك زيادة في طلبات تفسيرات ما يفعله النموذج. على سبيل المثال ، بالنسبة لبعض فئات الأمان ، يطالب الاتحاد الأوروبي بالتحقق من أن النموذج لا يفعل ما لا يفترض أن يفعله. إذا كان علينا شرح كل شيء ، فربما لا يكون التعلم الآلي هو السبيل للذهاب. لا مزيد من التعلم الآلي؟

 
[عميد]  ربما يكون الحصول على شرح كامل صعبًا للغاية ، ولكن يمكننا تحقيق تقدم من خلال إجراء بحث شبكي على مدخلات النموذج لإنشاء شيء مثل بطاقة النتيجة التي تصف ما يفعله النموذج. هذا شيء مثل اختبار الانحدار في الأجهزة والبرامج QA. إذا كان الدليل الرسمي على ما تفعله النماذج غير ممكن ، فلنختبر ونختبر ونختبر! يمكن أن يساعد تبديل الإدخال وخلط الهدف في تحقيق تمثيل تقريبي لسلوك النموذج.

[يوحنا] بالحديث عن فهم ما يفعله النموذج ، أود أن أثير مشكلة التكاثر في العلم. يُعتقد أن نسبة كبيرة من المقالات الصحفية في جميع المجالات - 65 إلى 90٪ - غير قابلة للتكرار. هذه أزمة حقيقية في العلم. تحاول الأوراق الطبية إخبارك بكيفية إعادة إنتاج نتائجها. لا يبدو أن أوراق ML لا تهتم حتى الآن بإمكانية التكاثر. أظهرت دراسة حديثة أن 15٪ فقط من أوراق الذكاء الاصطناعي تتشارك في التعليمات البرمجية الخاصة بها.

لنتحدث عن تحيز تعلم الآلة. هل من الممكن بناء نماذج لا تميز؟

 
[يوحنا] (أن تكون الطالب الذي يذاكر كثيرا للحظة ، هذه الكلمة للأسف زائد. إن "التمييز" في كلمة ML العالمية هو هدفك الأساسي: التمييز بين فئتين.) ولكن بالنسبة لسؤالك الحقيقي ، فإنه يعتمد على البيانات (وعلى ما إذا كان المحلل ذكيًا بما يكفي لضبط نقاط الضعف في البيانات ): ستسحب النماذج من البيانات المعلومات الواردة فيها. الكمبيوتر لا يعرف شيئًا عن العالم باستثناء ما هو موجود في البيانات الموجودة أمامه. لذلك يتعين على المحلل تنسيق البيانات - وتحمل المسؤولية عن تلك الحالات التي تعكس الواقع. إذا كانت أنواع معينة من الأشخاص ، على سبيل المثال ، غير ممثلة تمثيلاً ناقصًا ، فإن النموذج سيولي اهتمامًا أقل لهم ولن يكون دقيقًا معهم في المستقبل. أسأل ، "ما الذي يجب أن تمر به البيانات للوصول إلى هنا؟" (للحصول على مجموعة البيانات هذه) للتفكير في كيفية انسحاب الحالات الأخرى على طول الطريق خلال العملية (أي تحيز الناجين). يمكن لعالم البيانات الماهر البحث عن مثل هذه المشكلات والتفكير في طرق لتعديلها / تصحيحها.

[عميد] التحيز ليس في الخوارزميات. التحيز في البيانات. إذا كانت البيانات متحيزة ، فنحن نعمل بنظرة متحيزة للعالم. الرياضيات هي مجرد رياضيات ، فهي ليست متحيزة.

هل سيهيمن الذكاء الاصطناعي على البشرية ؟!

 
[يوحنا] أعتقد أن الذكاء الاصطناعي هو مجرد هندسة جيدة. هل سيتجاوز الذكاء الاصطناعي الذكاء البشري؟ من واقع خبرتي ، يعتقد أي شخص دون سن الأربعين نعم ، هذا أمر حتمي ، ومعظم الأشخاص الذين تزيد أعمارهم عن 40 عامًا (مثلي ، من الواضح): لا! نماذج الذكاء الاصطناعي سريعة ومخلصة وطاعة. مثل كلب الراعي الألماني الجيد ، سيذهب نموذج الذكاء الاصطناعي ويحصل على تلك الكرة ، لكنه لا يعرف شيئًا عن العالم بخلاف البيانات التي تم عرضها. ليس له منطق سليم. إنه مساعد رائع لمهام محددة ، لكنه في الواقع خافت تمامًا.

[عميد] في هذه الملاحظة ، أود أن أبلغ عن اقتباسين قدمهما مارفن مينسكي في عامي 1961 و 1970 ، منذ فجر الذكاء الاصطناعي ، وأعتقد أنهما يصفان مستقبل الذكاء الاصطناعي جيدًا.

"خلال حياتنا ، قد تتفوق علينا بعض الآلات في الذكاء العام" 1961

"في غضون ثلاث إلى ثماني سنوات ، سيكون لدينا آلة تتمتع بذكاء الإنسان" 1970

هذه الأفكار موجودة منذ فترة طويلة. إليك أحد الأسباب التي تجعل الذكاء الاصطناعي لا يحل جميع المشكلات: نحن نحكم على سلوكه بناءً على رقم واحد ، رقم واحد فقط! (خطأ في النموذج). على سبيل المثال ، التنبؤات بأسعار الأسهم على مدى السنوات الخمس المقبلة ، التي تم التنبؤ بها من خلال بناء النماذج باستخدام جذر متوسط ​​الخطأ التربيعي كمقياس للخطأ ، لا يمكن أن ترسم الصورة الكاملة لما تفعله البيانات بالفعل وتعيق النموذج بشدة وقدرته على الكشف عن الأنماط بمرونة. نعلم جميعًا أن RMSE هو مقياس خشن جدًا. ستستمر خوارزميات التعلم العميق في التحسن ، لكننا نحتاج أيضًا إلى التحسن في الحكم على مدى جودة النموذج حقًا. لذا لا! لا أعتقد أن الذكاء الاصطناعي سيهيمن على البشرية.

لقد وصلنا إلى نهاية هذه المقابلة. نود أن نشكر دين وجون على وقتهم وحبوبهم المعرفية. دعونا نأمل أن نلتقي مرة أخرى قريبا!

حول دين أبوت وجون إلدر

ماذا فعل COVID لجميع موديلاتنا عميد أبوت هو المؤسس المشارك ورئيس علماء البيانات في SmarterHQ. إنه خبير ومبتكر معترف به دوليًا في علوم البيانات والتحليلات التنبؤية ، ولديه ثلاثة عقود من الخبرة في حل المشكلات في تحليلات العملاء متعددة القنوات ، واكتشاف الاحتيال ، ونمذجة المخاطر ، واستخراج النصوص وتحليل المسح. يتم تضمينه بشكل متكرر في قوائم علماء البيانات الرائدين وعلماء البيانات ، وهو متحدث رئيسي شهير ومدرب ورشة عمل في المؤتمرات في جميع أنحاء العالم ، ويعمل أيضًا في المجالس الاستشارية لبرنامج UC / Irvine التنبئي التحليلات وبرامج شهادة UCSD لعلوم البيانات. وهو مؤلف التحليلات التنبؤية التطبيقية (Wiley ، 2014) ومؤلف مشارك لكتاب The IBM SPSS Modeler Cookbook (Packt Publishing ، 2013).


ماذا فعل COVID لجميع موديلاتنا جون إلدر أسس Elder Research ، أكبر شركة استشارية في مجال علوم البيانات وأكثرها خبرة في أمريكا في عام 1995. مع مكاتب في شارلوتسفيل فيرجينيا ، بالتيمور إم دي ، رالي ، نورث كارولاينا ، واشنطن العاصمة ، ولندن ، تمكنوا من حل مئات التحديات للعملاء التجاريين والحكوميين من خلال استخراج المعرفة القابلة للتنفيذ من جميع أنواع البيانات. شارك الدكتور إلدر في تأليف ثلاثة كتب - عن التنقيب العملي عن البيانات ، والمجموعات ، والتنقيب عن النصوص - فاز اثنان منها بجوائز "كتاب العام". ابتكر جون أدوات التنقيب عن البيانات ، وكان مكتشفًا لأساليب المجموعات ، وترأس المؤتمرات الدولية ، وهو ورشة عمل شهيرة ومتحدث رئيسي.


 
السيرة الذاتية: هيذر فيسون هو محرر المدونة في KNIME. في البداية في Event Team ، كانت خلفيتها في الواقع في الترجمة والتدقيق اللغوي ، لذلك من خلال الانتقال إلى المدونة في عام 2019 ، عادت إلى شغفها الحقيقي بالعمل مع النصوص. ملاحظة: إنها مهتمة دائمًا بسماع أفكارك حول المقالات الجديدة.

أصلي. تم إعادة النشر بإذن.

Related:

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://www.kdnuggets.com/2021/04/covid-do-all-our-models.html

مواصلة القراءة

البيانات الكبيرة

Shapash: جعل نماذج التعلم الآلي مفهومة

الصورة الرمزية

تم النشر

on

Shapash: جعل نماذج التعلم الآلي مفهومة

قد يصبح إنشاء توقعات للثقة حول تقنيات الذكاء الاصطناعي قريبًا إحدى أهم المهارات التي يوفرها علماء البيانات. تجري استثمارات بحثية كبيرة في هذا المجال ، ويتم تطوير أدوات جديدة ، مثل Shapash ، وهي مكتبة Python مفتوحة المصدر تساعد علماء البيانات على جعل نماذج التعلم الآلي أكثر شفافية ومفهومة.


By يان جولين، MAIF ، عالم البيانات الرئيسي.

عرض تطبيق ويب Shapash

شاباش by MAIF هي مجموعة أدوات Python التي تسهل فهم نماذج التعلم الآلي لعلماء البيانات. يجعل من السهل مشاركة ومناقشة إمكانية تفسير النموذج مع المتخصصين بخلاف البيانات: محللي الأعمال والمديرين والمستخدمين النهائيين.

بشكل ملموس ، يوفر Shapash تصورات سهلة القراءة و تطبيق الويب. يعرض Shapash النتائج مع الصياغة المناسبة (معكوس المعالجة / ما بعد المعالجة). شاباش مفيد في سياق تشغيلي لأنه يتيح لعلماء البيانات استخدام القابلية للتفسير من الاستكشاف إلى الإنتاج: يمكنك بسهولة نشر التفسير المحلي في الإنتاج لإكمال كل من توقعاتك / توصياتك مع ملخص للشرح المحلي.

في هذا المنشور ، سنقدم الميزات الرئيسية لـ Shapash وكيف تعمل. سنقوم بتوضيح تنفيذ المكتبة في حالة استخدام ملموسة.

عناصر السياق

تعد قابلية تفسير النماذج وتفسيرها من الموضوعات الساخنة. هناك العديد من المقالات والمنشورات والمساهمات مفتوحة المصدر حول هذا الموضوع. كل هذه المساهمات لا تتعامل مع نفس القضايا والتحديات.

يستخدم معظم علماء البيانات هذه الأساليب لأسباب عديدة: لفهم نماذجهم بشكل أفضل ، للتحقق من أنها متسقة وغير متحيزة ، وكذلك لتصحيح الأخطاء.

ومع ذلك ، هناك ما هو أكثر من ذلك:

الذكاء مهم للأغراض التربوية. يمكن مناقشة نماذج التعلم الآلي الذكية مع أشخاص ليسوا متخصصين في البيانات: محللو الأعمال والمستخدمون النهائيون ...

بشكل ملموس ، هناك خطوتان في مشاريع علوم البيانات لدينا والتي تشمل غير المتخصصين:

خطوة استكشافية ونموذج مناسب

في هذه الخطوة ، يناقش علماء البيانات ومحللو الأعمال ما هو على المحك ويحددون البيانات الأساسية التي سيتم دمجها في المشاريع. يتطلب فهم الموضوع جيدًا والدوافع الرئيسية للمشكلة التي نقوم بصياغتها.

للقيام بذلك ، يدرس علماء البيانات القابلية للتفسير العالمي ، والميزات المهمة ، والدور الذي تلعبه أهم ميزات النموذج. يمكنهم أيضًا النظر محليًا إلى بعض الأفراد ، وخاصة القيم المتطرفة. يعد تطبيق الويب مثيرًا للاهتمام في هذه المرحلة لأنهم بحاجة إلى إلقاء نظرة على التصورات والرسومات. مناقشة هذه النتائج مع محللي الأعمال أمر مثير للاهتمام لتحدي النهج والتحقق من صحة النموذج.

نشر النموذج في بيئة الإنتاج

هذا هو! يتم التحقق من صحة النموذج ونشره ويعطي تنبؤات للمستخدمين النهائيين. التفسير المحلي يمكن أن يجلب لهم الكثير من القيمة ، فقط إذا كانت هناك طريقة لتزويدهم بملخص جيد ومفيد ومفهوم. سيكون ذا قيمة بالنسبة لهم لسببين:

  • الشفافية تجلب الثقة: سوف يثقون في النماذج إذا فهموها.
  • يبقى الإنسان تحت السيطرة: لا يوجد نموذج موثوق به بنسبة 100٪. عندما يتمكنون من فهم مخرجات الخوارزمية ، يمكن للمستخدمين إلغاء اقتراحات الخوارزمية إذا اعتقدوا أنهم يعتمدون على بيانات غير صحيحة.

تم تطوير Shapash لمساعدة علماء البيانات على تلبية هذه الاحتياجات.

ميزات Shapash الرئيسية

  • تصورات سهلة القراءة للجميع.
  • تطبيق ويب: لفهم كيفية عمل النموذج ، عليك إلقاء نظرة على العديد من الرسوم البيانية ، وأهمية السمات ، والمساهمة العالمية لميزة في النموذج. يعد تطبيق الويب أداة مفيدة لذلك.
  • عدة طرق لإظهار النتائج بالصياغة المناسبة (عكس المعالجة المسبقة ، المعالجة اللاحقة). يمكنك بسهولة إضافة قواميس البيانات الخاصة بك ، فئة الترميزكائن أو sklearn عمود محول لمزيد من النواتج الواضحة.
  • وظائف للحفظ بسهولة مخللالملفات وتصدير النتائج في الجداول.
  • ملخص قابلية التفسير: الملخص قابل للتكوين ليناسب حاجتك وللتركيز على ما يهم للتفسير المحلي.
  • القدرة على النشر بسهولة في بيئة الإنتاج وإكمال كل توقع / توصية مع ملخص إمكانية شرح محلي لكل تطبيقات تشغيلية (دفعة أو API)
  • ينفتح Shapashis على عدة طرق للمتابعة: يمكن استخدامه للوصول بسهولة إلى النتائج أو للعمل على صياغة أفضل. هناك عدد قليل جدًا من الوسائط المطلوبة لعرض النتائج. ولكن كلما عملت على تنظيف مجموعة البيانات وتوثيقها ، كانت النتائج أوضح للمستخدم النهائي.

يعمل Shapash مع مشاكل الانحدار أو التصنيف الثنائي أو متعدد الفئات. متوافق مع العديد من الموديلات: كاتبووستXgboostLightGBMفرقة Sklearnالنماذج الخطيةSVM.

يعتمد Shapash على المساهمات المحلية المحسوبة باستخدام Shap (قيم shapley) أو Lime أو أي تقنية تسمح بحساب المساهمات المحلية القابلة للتلخيص.

مهندسون أكفاء

يمكنك تثبيت الحزمة من خلال النقطة:

$ pip تثبيت shapash 

مظاهرة شاباش

لنستخدم Shapash على مجموعة بيانات ملموسة. في بقية هذه المقالة ، سنوضح لك كيف يمكن لـ Shapash استكشاف النماذج.

سنستخدم مجموعة بيانات "أسعار المنازل" الشهيرة من Kaggle لتناسب الانحدار والتنبؤ بأسعار المساكن! لنبدأ بتحميل مجموعة البيانات:

استيراد الباندا كـ pd من shapash.data.data_loader import data_loading house_df، house_dict = data_loading ('house_prices') y_df = house_df ['SalePrice']. to_frame () X_df = house_df [house_df.columns.difference (['SalePrice']) ] house_df.head (3) 

تشفير الميزات الفئوية:

من category_encoders import OrdinalEncoder categorical_features = [col for col in X_df.columns if X_df [col] .dtype == 'object'] encoder = OrdinalEncoder (cols = categorical_features) .fit (X_df) X_df = encoder.transform (X_df) 

القطار واختبار الانقسام وتركيب النموذج:

من sklearn.model_selection ، قم باستيراد train_test_split من sklearn.ensemble import RandomForestRegressor Xtrain ، Xtest ، ytrain ، ytest = train_test_split (X_df، y_df، train_size = 0.75) reg = RandomForestRegressor (n_estimators. 

وتوقع بيانات الاختبار:

y_pred = pd.DataFrame (reg.predict (Xtest) ، الأعمدة = ['pred'] ، index = Xtest.index) 

دعنا نكتشف ونستخدم Shapash SmartExplainer.

الخطوة 1 - الاستيراد

من shapash.explainer.smart_explainer استيراد SmartExplainer 

الخطوة 2 - تهيئة كائن SmartExplainer

xpl = SmartExplainer (features_dict = house_dict) # معلمة اختيارية 
  • features_dict: الذي يحدد معنى اسم كل عمود من x pd.DataFrame.

الخطوة 3 - ترجمة

xpl.compile (x = Xtest ، model = regressor ، preprocessing = encoder ، # اختياري: استخدم طريقة inverse_transform y_pred = y_pred # اختياري) 

تسمح طريقة التحويل البرمجي باستخدام معلمة اختيارية أخرى: مرحلة ما بعد العملية. إنه يوفر إمكانية تطبيق وظائف جديدة لتحديد صياغة أفضل (regex ، mapping dest ، ...).

الآن ، يمكننا عرض النتائج وفهم كيفية عمل نموذج الانحدار!

الخطوة 4 - بدء تشغيل تطبيق الويب

التطبيق = xpl.run_app () 

يظهر رابط تطبيق الويب في إخراج Jupyter (الوصول إلى العرض التوضيحي هنا).

هناك أربعة أجزاء لتطبيق الويب هذا:

يتفاعل كل واحد للمساعدة في استكشاف النموذج بسهولة.

أهمية الميزات: يمكنك النقر فوق كل ميزة لتحديث مخطط المساهمة أدناه.

مؤامرة المساهمة: كيف تؤثر الميزة على التنبؤ؟ عرض مخطط الكمان أو التشتت لكل مساهمة محلية للميزة.

قطعة الأرض المحلية:

  • التفسير المحلي: أي الميزات تساهم أكثر في القيمة المتوقعة.
  • يمكنك استخدام عدة أزرار / أشرطة تمرير / قوائم لتكوين ملخص لهذا الشرح المحلي. سوف نصف أدناه مع تصفية طريقة المعلمات المختلفة التي يمكنك العمل بها على الملخص.
  • يعد تطبيق الويب هذا أداة مفيدة للمناقشة مع محللي الأعمال حول أفضل طريقة لتلخيص القابلية للتفسير لتلبية الاحتياجات التشغيلية.

جدول التحديد: يسمح لمستخدم تطبيق الويب بتحديد:

  • مجموعة فرعية لتركيز الاستكشاف على هذه المجموعة الفرعية
  • صف واحد لعرض التفسير المحلي المرتبط

كيف تستخدم جدول البيانات لتحديد مجموعة فرعية؟ في أعلى الجدول ، أسفل اسم العمود الذي تريد استخدامه للتصفية ، حدد:

  • = القيمة ،> القيمة ،
  • إذا كنت تريد تحديد كل صف يحتوي على كلمة معينة ، فما عليك سوى كتابة تلك الكلمة بدون "="

هناك عدد قليل من الخيارات المتاحة في تطبيق الويب هذا (الزر الأيمن العلوي). ربما يكون أهم واحد هو حجم العينة (الافتراضي: 1000). لتجنب زمن الوصول ، يعتمد تطبيق الويب على عينة لعرض النتائج. استخدم هذا الخيار لتعديل حجم العينة هذا.

لقتل التطبيق:

app.kill () 

الخطوة 5 - المؤامرات

تتوفر جميع المؤامرات في دفاتر jupyter ، وتصف الفقرة أدناه النقاط الرئيسية لكل قطعة.

أهمية الميزة

تسمح هذه المعلمة بمقارنة ميزات أهمية مجموعة فرعية. من المفيد اكتشاف سلوك معين في مجموعة فرعية.

مجموعة فرعية = [168 ، 54 ، 995 ، 799 ، 310 ، 322 ، 1374 ، 1106 ، 232 ، 645 ، 1170 ، 1229 ، 703 ، 66 ، 886 ، 160 ، 191 ، 1183 ، 1037 ، 991 ، 482 ، 725 ، 410 ، 59 ، 28، 719، 337، 36] xpl.plot.features_importance (اختيار = مجموعة فرعية) 

مؤامرة المساهمة

تُستخدم مخططات المساهمة للإجابة على أسئلة مثل:

كيف تؤثر الميزة على توقعي؟ هل تساهم بشكل إيجابي؟ هل الميزة تساهم بشكل متزايد؟ بشكل متناقص؟ هل هناك أي تأثيرات حدية؟ بالنسبة للمتغير الفئوي ، كيف تساهم كل طريقة؟ تكمل هذه المؤامرة أهمية الميزات لقابلية التفسير ، والوضوح العالمي للنموذج لفهم تأثير الميزة على النموذج بشكل أفضل.

هناك العديد من المعلمات في هذه المؤامرة. لاحظ أن الحبكة المعروضة تتكيف بناءً على ما إذا كنت مهتمًا بمتغير فئوي أو مستمر (كمان أو مبعثر) واعتمادًا على نوع حالة الاستخدام التي تعالجها (الانحدار ، التصنيف).

xpl.plot.contribution_plot ("OverallQual") 

تم تطبيق مخطط المساهمة على معلم مستمر.

حالة التصنيف: مصنف تيتانيك - تم تطبيق مخطط المساهمة على ميزة فئوية.

قطعة أرض محلية

يمكنك استخدام المؤامرات المحلية للتوضيح المحلي للنماذج.

إن منقي() و local_plot () تسمح لك الطرق باختبار واختيار أفضل طريقة لتلخيص الإشارة التي التقطها النموذج. يمكنك استخدامه خلال المرحلة الاستكشافية. يمكنك بعد ذلك نشر هذا الملخص في بيئة إنتاج للمستخدم النهائي ليفهم في بضع ثوانٍ ما هي المعايير الأكثر تأثيرًا لكل توصية.

سننشر مقالًا ثانيًا لشرح كيفية نشر التفسير المحلي في الإنتاج.

اجمع بين طرق التصفية و local_plot

استخدم تصفية طريقة لتحديد كيفية تلخيص القابلية للتفسير المحلي. لديك أربع معلمات لتكوين الملخص الخاص بك:

  • max_contrib: الحد الأقصى لعدد المعايير المراد عرضها
  • العتبة: الحد الأدنى لقيمة المساهمة (بالقيمة المطلقة) اللازمة لعرض معيار
  • إيجابي: عرض مساهمة إيجابية فقط؟ سلبي؟ (الافتراضي لا شيء)
  • features_to_hide: قائمة الميزات التي لا تريد عرضها

بعد تحديد هذه المعلمات ، يمكننا عرض النتائج بامتداد local_plot () طريقة ، أو تصديرها مع to_pandas ().

xpl.filter (max_contrib = 8 ، العتبة = 100) xpl.local_plot (الفهرس = 560) 

تصدير إلى Pandas DataFrame:

xpl.filter (max_contrib = 3، Theshold = 1000) abstract_df = xpl.to_pandas () abstract_df.head () 

قارن المؤامرة

مع ال قارن_ مخطط () ، فإن كائن SmartExplainer يجعل من الممكن فهم سبب عدم امتلاك شخصين أو أكثر نفس القيم المتوقعة. يظهر المعيار الأكثر حسماً في الجزء العلوي من المؤامرة.

xpl.plot.compare_plot (row_num = [0، 1، 2، 3، 4]، max_features = 8) 

نأمل أن يكون Shapash مفيدًا في بناء الثقة في الذكاء الاصطناعي. شكراً لكم مقدماً لجميع الذين سيقدمون لنا ملاحظاتهم وفكرتهم ... شاباش مفتوح المصدر! لا تتردد في المساهمة من خلال التعليق على هذا المنشور أو مباشرة على مناقشات GitHub.

أصلي. تم إعادة النشر بإذن.

Related:

كوينسمارت. Beste Bitcoin-Börse في أوروبا
المصدر: https://www.kdnuggets.com/2021/04/shapash-machine-learning-models-understandable.html

مواصلة القراءة
بالاماراتمنذ 1 اليوم

تمت إزالة chessbae كمشرف من Chess.com وسط الدراما

FINTECHقبل أيام

تعيش شراكة Novatti Ripple في الفلبين

بالاماراتقبل أيام

دليل بطل Dota 2 Dawnbreaker

كتلة سلسلةقبل أيام

DFB يجلب الرقم الرقمي Sammelkarten auf die Blockchain

كتلة سلسلةقبل أيام

تقرير Krypto-News 8. أبريل

FINTECHقبل أيام

تجمع TrueLayer 70 مليون دولار أمريكي لبناء شبكة الخدمات المصرفية المفتوحة الأكثر قيمة في العالم

كتلة سلسلةقبل أيام

WEF-Gipfel 2021: Zukunft der Wirtschaft ist tokenisiert

بالاماراتقبل أيام

دالاس إمباير يهرب بفوزه على مينيسوتا في المرحلة الثانية الكبرى

بالاماراتقبل أيام

نظرة مفصلة على Dawnbreaker ، أول حمل جديد لـ Dota 2 منذ أربع سنوات

كتلة سلسلةقبل أيام

Bitcoin Preis ، يمكنك أيضًا إسقاط auf عند 55.500 دولارًا أمريكيًا

بالاماراتقبل أيام

لماذا منع تويتش كلمة "سمين" من تنبؤاته؟

بالاماراتقبل أيام

بطل Dota 2 الجديد: قائمة المشتبه بهم المحتملين

بالاماراتقبل أيام

كيفية فتح بندقية قنص الحرب الباردة ZRG 20 ملم من Black Ops

بالاماراتقبل أيام

Dota 2: Patch 7.29 تحليل لأهم التغييرات

بالاماراتقبل أيام

Asmongold يدعو Twitch بعد حظر indiefoxx أربع مرات

بالاماراتقبل أيام

B-Hopping في CSGO: كيفية القيام بذلك ، واستخداماته في المباراة

FINTECHقبل أيام

حصل كيب على منحة MVP لبدء موجة جديدة من أدوات تمويل الأعمال التي تعمل بالخدمات المصرفية المفتوحة

بالاماراتقبل أيام

WTL 2021 Summer - ملخص الأسبوع الأول ومعاينة الأسبوع الثاني

FINTECHمنذ 1 اليوم

توقع شركة Peppermint Innovation الأسترالية اتفاقية مع مزود الخدمات المالية الصغيرة الرائد في الفلبين

بالاماراتقبل أيام

تشير التسريبات إلى أن تسمية الخريطة الجديدة الباسلة "بريز"

منتجات شائعة