Proces tworzenia algorytmów z wykorzystaniem uczenia maszynowego

oraz sposób ich działania

Magdalena Wójcik

Plan na dzisiaj

1. Parę słów o mnie
2. Co to jest uczenie maszynowe?
3. Dane do uczenia maszynowego
4. Przykładowy algorytm
5. Proces rozwijania
   algorytmów i możliwe problemy
   ze sprawiedliwością
6. Ocena jakości algorytmów
7. Lektura obowiązkowa
8. Kontakt do mnie

Parę słów o mnie

Jestem doktorantką na Wydziałe Matematyki, Informatyki, Mechaniki Uniwersytetu Warszawskiego. Specjalizuję się w uczeniu maszynowym. Lubię też uczyć ludzi, ostatnio programowania w Pythonie. Prowadzę consulting projektów z zakresu Data Science.

Obecnie pracuję nad aplikacją wspomagającą wykrywanie zmiany fazy w Chorobie Afektywnej Dwubiegunowej. Podstawą są dane o cechach fizycznych głosu pacjentów, zbierane podczas rozmów telefonicznych.

Co to jest uczenie maszynowe?

Dział sztucznej inteligencji, w którym do tworzenia algorytmów używa się wcześniej oznaczonych danych.

Jak wyglądają dane do uczenia?

Klasyczny przykład:

Kiedy grać w tenisa?

Kiedy grać w tenisa?

Żródło: "Machine Learning", Tom Mitchell

Bardziej życiowy model

Żródło: "Plotting trees from Random Forest models with ggraph", shiring.github.io

Proces powstawania modelu

Krok 1:

Koncepcja

Co chcemy osiągnąć?    Jak?    Dlaczego?

Proces powstawania modelu

Krok 2:

Sformalizowanie zadania

Co będzie odpowiedzią z algorytmu?

Na podstawie jakich danych nauczymy algorytm?

Jakie informacje możemy zbierać?

Jak sprawdzimy czy działa?

Proces powstawania modelu

Krok 3:

Zbieranie i oznaczanie danych

Czy zbierane informacje są poprawne?

Czy reprezentują wszystkie przypadki?

Czy oznaczenia nie zawierają błędów lub stronniczości?

Proces powstawania modelu

Krok 4:

Uczenie algorytmu

Proces powstawania modelu

Przykładowa miara błędu modelu:

Proces powstawania modelu

Krok 5:

Wdrożenie modelu

Czy wdrażamy go wszędzie jednocześnie?

Czy jest potrzebny okres przejściowy?

Czy wszyscy rozumieją jak działa i co ma osiągnąć?

Proces powstawania modelu

Krok 6:

Testy w warunkach produkcyjnych

Czy nowe przypadki są podobne do tych
ze zbioru uczącego?

Czy model daje zbalansowane odpowiedzi?

Proces powstawania modelu

Krok 7:

Dalsze uczenie algorytmu

Jak zmieniły się dane od czasu,
kiedy uczyliśmy algorytm?

Lektura obowiązkowa

"Broń matematycznej zagłady"

 Cathy O'Neil

Kontakt do mnie

magdalena.wojcik@datalove.pl