इन्फरेंस (causal) मॉडल्स

बिज़नेस के लिए मशीन लर्निंग

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Causality क्या है?

• कारणात्मक संबंध पहचानें: कुछ कार्रवाइयाँ वांछित परिणाम को कितना प्रभावित करती हैं
• "क्यों?" वाले सवालों के जवाब देता है
• मॉडल की व्याख्यात्मकता बनाम प्रदर्शन के बीच संतुलन को प्राथमिकता देता है
• मॉडल देखे गए डेटा (observational) में पैटर्न ढूँढते हैं और कारणात्मक निष्कर्ष निकालते हैं

प्रयोग बनाम ऑब्ज़र्वेशन

• प्रयोग डिज़ाइन किए जाते हैं और कारणात्मक निष्कर्ष सुनिश्चित होते हैं, जैसे A/B टेस्ट में
• जब प्रयोग असंभव हों (अनैतिक, बहुत महंगे, या दोनों), तो मॉडल (observational studies) का उपयोग वांछित परिणामों पर इनपुट्स के प्रभाव का अनुमान लगाने के लिए होता है
• संभव हो तो observational studies पर हमेशा प्रयोगों को तरजीह दें

सर्वोत्तम प्रथाएँ

1. जहाँ संभव हो, प्रयोग चलाएँ
2. अगर हर समय प्रयोग चलाना महंगा हो, तो उन्हें समय-समय पर चलाएँ (तिमाही, वार्षिक) और उसे बेंचमार्क मानें
3. यदि प्रयोग चलाने का कोई तरीका नहीं है, तो एक causal मॉडल बनाएँ. इसके लिए एडवांस्ड मेथडोलॉजी चाहिए होगी

इन्फरेंस मॉडल उदाहरण

इन्फरेंस - ट्रेनिंग

इन्फरेंस - लर्निंग

इन्फरेंस - रिग्रेशन कोएफिशिएंट्स

इन्फरेंस - व्याख्या

अभ्यास करते हैं!

बिज़नेस के लिए मशीन लर्निंग