我看来这真的很

raselbd223

让以上内容成为你去参加 演讲的鼓励如果她在其他地方展示过的话。在值得。 和最大梯度的方向或者从自己的错误中学习 ł ń 首席技术官兼联合创始人 ł 讲述了他在 上参加比赛的经历 为什么值得参加这些比赛以及为什么不值得不惜一切代价争取最高成绩。 由于我不太关注 演示中提供的示例对我来说是新的我饶有兴趣地听了它们。 第一场比赛是根据狗的脑电图信号记录在癫痫实际发生前一小时预测癫痫的发生。拉法尔长期位居第一但比赛结束后他跌至第 位左右。为什么会发生这种情况？ 的工作方式是在。

做出决定之前用户只能访问他们工作和训练模型的部分数据。完成后将根 电子邮件数据 据以前不可用的数据检查模型。事实证明拉法尔的模型设计得很糟糕 它在共享数据上表现很好但在全套数据上却表现不佳。 我记得演讲中的第二个竞赛是 奖。 悬赏 万美元奖励其推荐引擎的效率提高 。一个完全非生产的解决方案赢得了比赛该解决方案使用了 多个模型的集合。赏金已支付但从未实际实施。 从前十名​​中选择了另一个解决方案虽然结果稍差但适合生产使用。 另一个例子是 描述的点击率预测 预测问题。进行预测的数据集有 亿个观测值 万个特征总共 数据。



这个问题是如何解决的？我想到的第一个想法是谷歌拥有世界上最好的人工智能团队之一它肯定想出了一些我不太可能理解的超级复杂的东西。事实证明简单的逻辑回归获胜几乎每个理科学生都应该理解其假设。 另一个有趣的例子是检测前列腺癌的问题。创建的模型给出了很好的结果。这是因为该集合中可用的特征之一是 患者是否患有前列腺癌 这对最终的 是 否 陈述产生了非常大的影响。 结论是什么？如果模型运行得太好那么肯定有问题。