dive into machine learning with python
نکات مفید برای آموزش یادگیری ماشین با پایتون

#machine_learning #python #github

github.com/hangtwenty/dive-into-machine-learning

UCI Machine Learning and data mining repository.
دیتاست های مختلف برای کارهای یادگیری ماشین و داده کاوی

#machine_learning #dataset #data_mining

archive.ics.uci.edu/ml/datasets.html

2020 Gartner Magic Quadrant for #Data_Science and #Machine_Learning Platforms (آپدیت ماه فوریه)



نکته جالب حضور Databricks در جمع #Leaders هست.

هوش مصنوعی تفسیر پذیر چیست؟

طی چند سال اخیر مدلهای هوش مصنوعی توسعه بسیاری پیدا کرده اند و در بسیاری از تصمیم گیری ها همراه ما هستند. از اینکه چه تبلیغی در هنگام وب گردی مشاهده کنیم، اینکه چه کالایی در فروشگاه آنلاین به ما نمایش داده شود تا اینکه حد اعتباری ما در بانک چقدر است و چقدر باید حق بیمه پرداخت کنیم. هر چقدر مدلها پیشرفته تر می شوند شیوه عملکرد آنها پیچیده تر می شود و کم کم به جعبه سیاه (Black Box) تصمیم گیری تبدیل می شوند که داده را دریافت و نتایج را اعلام می کنند. تا اینجای کار خیلی هیجان انگیز به نظر می رسد. اما فرض کنید در برابر هوش مصنوعی هستیم که میزان احتمال یک بیماری را اعلام می کند. اگر دلیل این تصمیمات مشخص نباشد، چگونه می‌توان به سیستم اعتماد کرد یا در صورت بروز اشتباه، آن را اصلاح نمود؟
هدف از هوش مصنوعی تفسیر پذیر، ایجاد مدلهایی است که دلایل تصمیم‌گیری آن‌ها برای انسان قابل درک باشد. این شفافیت نه‌تنها اعتماد کاربران را جلب می‌کند، بلکه شناسایی خطاها، کشف سوگیری‌های پنهان و رعایت مقررات حقوقی را نیز تسهیل می‌کند. به‌ویژه در حوزه‌هایی چون پزشکی، حقوق، حمل‌ونقل و مالی، نبود تفسیرپذیری می‌تواند پیامدهای فاجعه‌باری به‌دنبال داشته باشد.
برای تفسیر پذیر کردن هوش مصنوعی ابزارهای بسیار جالبی تولید شده است که در پست های آتی معرفی می شود.

#هوش_مصنوعی
#هوش_مصنوعی_تفسیرپذیر
#Machine_Learning
#Interpretable_Machine_Learning
#Explainable_Artificial_Intelligence

پایتون برای مالی