Теорема Байеса на примере

Теорема позволяет рассчитать вероятность события, если причину и следствие поменять местами. Например, мы знаем распространенность симптома среди больных и здоровых. Значит, мы можем вычислить вероятность заболевания от наличия симптома. На этой идее основан классический алгоритм машинного обучения: Байесовский классификатор. Разбираемся с этой теоремой на примере.

😻 #math

Помните, мы писали про игру Humanornot? Оказывается, она была частью большого исследования.

Недавно вышла статья "Human or Not? 🤖❓🤖 A gamefied approach to the Turing Test" (да, эмоджи тоже часть названия). В чем суть: в середине прошлого века Алан Тьюринг предложил тест, в котором человек взаимодействует с собеседником, который может оказаться и компьютером, и человеком. После короткого диалога тестирующий пытается определить, кто с ним говорил. Если машине удалось ввести человека в заблуждение – она прошла тест.

Так вот, исследователи вдохновились идеями Тьюринга
и сделали веб-игру, в которой нужно было початиться пару минут и угадать, говорил ли ты с человеком или с ИИ-ботом. Статистические результаты интересные: люди угадывали правильно только в 68%. А если учесть только чаты с ИИ, то процент и вовсе составляет 60%.

Самое забавное – как пользователи пытались обманывать друг друга и подловить бота (см. картинки).

😻 #news

Один из главных алгоритмов рекомендательных систем: коллаборативная фильтрация

Ее используют многие крупные компании: например, YouTube, Instagram, ВКонтакте и Facebook. Сегодня проводим экскурс в историю и рассказываем, как этот алгоритм устроен. Спойлер: его название сложнее, чем он сам.

😻 #train

Что делать с НЕнормальным распределением?

Как известно, моделям (особенно линейным) нравится, когда данные имеют нормальное распределение. Но что делать, если это не так? Рассказываем про два варианта: простой и посложнее.

😻 #train #analytics #python