しましま/IBIS2017 - 機械学習の「朱鷺の杜Wiki」
招待講演１：Supervised Learning without Discrimination† Nathan Srebro (TTI-Chicago) 統計的予測が人種や性別で差別的にならないようにする たとえ，保護属性 A が予測関数 ^Y(X) に含まれていなくても，A に依存する可能性 すくなくともテストのときは A を使って補正する必要 demographic parity：Aの各特徴ごとの割合を合わせる → 誤差を細かく制御できない equalized odds: 観測値が与えられたとき，予測値と保護属性が独立 → 属性ごとに誤差が同じ ^Y が実数のときは，ROC曲線を一致させるようにする ↑ 招待講演２：Advice to Young and New AI Scientists† Edward Albert Feigenbaum If you see an area in
しましま/IBIS2013 - 機械学習の「朱鷺の杜Wiki」
第16回 情報論的学習理論ワークショップ (IBIS2013)† このページはしましまが IBIS2013 に参加してとったメモです．私の主観や勘違いが含まれていたり，私が全く分かってなかったりしていますので，その点を注意してご覧ください．誤りがあれば，指摘してください． チュートリアル1：機械学習概要† 村田 昇（早稲田大学） 学習とは『賢くなる手続き』 スパムメール，Googleの検索，推薦システム，Watson，将棋，徴税システム 計算論的学習理論 人工知能とアルゴリズムの初期研究：決定的 → 確率的・非決定的な考え方の登場 80年代の Valiant 十分な確率で正解に達すればよい → PAC学習 統計的学習理論 確率的近似法（統計的探索に確率探索の手法を導入）→ 学習系の平均挙動の統計的解析 → VC次元の理論と発展 学習問題の枠組み 教師あり（回帰，識別）・教師なし（クラスタリ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
