Makine öğreniminin sınırları

Machine Learning'i Anlamak

Sara Billen

Curriculum Manager, DataCamp

Veri kalitesi

Çöp girerse çöp çıkar

Çöp girerse çöp çıkar
Çıktı kalitesi, girdi kalitesine bağlıdır

Nasıl çok kötü gidebilir

Amazon'un cinsiyet yanlı biyometrik aday değerlendirme aracı

Büyüteçle insanlara bakan robot

Özgeçmişleri incelemeye yardımcı işe alım yazılımı
Geçmişte daha çok erkek işe alındığı için, geçmiş verilerden erkekleri tercih etmeyi öğrendi
Şu tür özgeçmişleri düşürdü
- "women" kelimesini içerenler
- Adayın kadın olduğunu ima edenler

Nasıl çok kötü gidebilir

Microsoft'un yapay zekâ sohbet botu

Tay'in Twitter hesabı

Tay tweet örnekleri

Dikkat

uyarı işareti

Modelinize körü körüne güvenmeyin
Farkındalık esastır
Verinize dikkat edin

$$

Bir makine öğrenimi modeli, verdiğiniz veri kadar iyidir

Kalite güvencesi

Yüksek kaliteli veri şunları gerektirir:
- Veri analizi
- Aykırı değer incelemesi
- Alan bilgisi
- Dokümantasyon

veri üzerinde büyüteç

Açıklanabilirlik

Açıklanabilirlik

Güveni, netliği ve kavrayışı artırmak için şeffaflık
Kullanım alanları: işte benimsenme, düzenleyici denetim, önyargıyı en aza indirme

Açıklanabilir yapay zekâ

Kara kutu

Derin öğrenme
"Ne?" için daha iyi
Çok yüksek doğrulukta tahminler

Açıklanabilir yapay zekâ

Geleneksel makine öğrenimi
"Neden?" için daha iyi
İnsanlarca anlaşılabilir

Örnek: Açıklanabilir yapay zekâ

sigorta-müşteri-kaybı-analitiği.jpg

Tahmin: Hasta diyabet olacak mı?
Çıkarım: Neden olacak?

Örnek: Açıklanamayan yapay zekâ

El yazısı.jpg

Yalnızca tahmin: Bu büyük olasılıkla hangi harf?

Hadi pratik yapalım!

Machine Learning'i Anlamak

Preparing Video For Download...