Шерлок-нейросеть или машинное обучение: analyze, not predict

Пользователи ИНИД могут использовать данные, представленные на платформе в каталоге, например, для анализа прошлого и предсказания будущего. Для первого нужны количественные методы оценки причинно-следственных связей, для второго чаще используют машинное обучение, так как человеку проблематично прогнозировать будущее с учётом множества факторов. При этом нейронным сетям сложно самим искать закономерности в тех данных, что им подали на вход.

Однако Шон Тейлор, дата-аналитик лаборатории агрегатора такси из Сан-Франциско Lyft Rideshare Labs, считает, что технология machine learning не так уж бесполезна, если говорить об анализе произошедшего. Тейлор и его коллеги подобрали материалы для чтения о пользе машинного обучения, когда дело касается causal inference. Все три книги являются своеобразными учебниками по работе с причинно-следственными связями в машинном обучении и науке.

«Causal Inference for the Brave and the True», Мэтьюза Факура Алвеса

https://matheusfacure.github.io/python-causality-handbook/17-Predictive-Models-101.html

«Introduction to Causal Inference from a Machine Learning Perspective» Брэди Нила

https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf

«Patterns, Predictions, and Actions: A story about machine learning», Мориц Хардт и Бенджамина Рехта

https://mlstory.org/

Источник: mlstory.org

Комментарии: