Мы просто спросили Игоря Ашманова об «Алисе» от Яндекса, а узнали об истории голосовых помощников, перспективах развития нейронных сетей и разобрались в том,...
这些问题的核心，是我们希望知道答案的因果问题。因果问题渗透在日常问题中，比如如何提高销售额。尽管如此，因果问题在一些与我们息息相关的个人困境中也发挥着至关重要的作用：我是否必须上贵族学校才能获得成功（教育是否会导致收入）？移民是否会降低我找到工作的机会（移民是否会导致失业率上升）？向穷人转移资金是否会降低犯罪率？你所从事的领域并不重要。你很可能已经或将要回答某种因果关系的问题。不幸的是，对于 ML 来说，我们不能依靠相关型预测来解决这些问题。
嗯，他怎么会知道更多的事情呢？）
我刚才写的是由于分类准确性的原因，正确分类的坏例子数量较少。
他的代码很难看懂，但大体上还是可以理解的。我认为这对他个人理解 MO 是一个很好的激励。可重现的代码对于理解过程非常重要。尤其是当你想自己做一些东西的时候。
是的，就是这样--虚度年华。
伊戈尔-阿什马诺夫谈爱丽丝语音助手
关于人工智能程序的两种根本不同的方法。
终于有了一本关于随意性 的好指南。
它回答了为什么 ML 只能用于预测而不能用于因果关系的问题。
众所周知，ML 不擅长处理这种反因果关系类型的问题。它们要求我们回答 "如果 "问题，经济学家称之为反事实。如果我用另一个价格而不是现在的这个价格来购买商品，会发生什么情况？如果我用低糖饮食代替现在的低脂饮食会怎样？如果你在银行工作，提供信贷，你就必须弄清楚改变客户群会如何改变你的收入。或者，如果你在地方政府工作，你可能会被要求弄清楚如何让学校教育系统变得更好。你是否应该给每个孩子发平板电脑，因为数字知识时代告诉你应该这样做？还是应该建立一个老式的图书馆？
这些问题的核心，是我们希望知道答案的因果问题。因果问题渗透在日常问题中，比如如何提高销售额。尽管如此，因果问题在一些与我们息息相关的个人困境中也发挥着至关重要的作用：我是否必须上贵族学校才能获得成功（教育是否会导致收入）？移民是否会降低我找到工作的机会（移民是否会导致失业率上升）？向穷人转移资金是否会降低犯罪率？你所从事的领域并不重要。你很可能已经或将要回答某种因果关系的问题。不幸的是，对于 ML 来说，我们不能依靠相关型预测来解决这些问题。
终于有了一个好的休闲指南
它回答了为什么 MO 只能用于预测，而不能用于因果关系搜索的问题。
终于有了一个好的休闲指南
最重要的是，它看起来像一个 "不必要 "的 matstat）。
基本上，建议看看循证医学中使用了哪些方法，并尝试将它们应用到你的任务中。
最像一个 "不必要的" matstat）。
基本上，建议是看看循证医学中使用了哪些方法，并尝试将它们应用到你的任务中。
作为适合度函数的病毒之一。
AMO 的任务是以这样一种方式进行训练，即基于 AMO 交易权益的预测尽可能好。
我并不想要一条漂亮的历史权益曲线，但我想在未来的交易中获得一个有把握的预测...
用置信区间 预测，同样的统计测试...
我使用了两种预测算法：自动阿瑞玛和霍尔特。
在这里，您可以看到预测 "保证股本增长 "的区域。