Top 5 maneras en que los seres humanos sesgan el aprendizaje automático

            
                                                                            
            
            

Aprendizaje automático. A menudo nos centramos en la parte de la máquina, pero pensemos en el aprendizaje. ¿De quién aprenden las máquinas? Bien, gente de la Red de adversarios generativos, a veces unos de otros. Pero al principio, incluso las GAN aprenden de los datos proporcionados por los humanos; A veces contaminamos esos datos, solo un poco. Aquí hay cinco maneras en que los humanos pueden predisponer el aprendizaje automático.

VER: Guía para el aprendizaje profundo del líder de TI (Tech Pro Research)

  1. El cuadrado de la plaza . Aquí es donde solo eliges el conjunto de datos incorrecto porque es lo que tienes. Por ejemplo: desea comprar modelos de ropa deportiva para su tienda de ropa en línea, pero solo tiene datos sobre lo que la gente ha estado comprando en tiendas de ladrillo y mortero.

  2. Sesgo de muestreo. Eliges tus datos para representar un entorno. En general, se elige un subconjunto de datos que es grande y representativo, pero hay que vigilar los sesgos humanos al seleccionar esos datos. Puede ser tan inocente como olvidar incluir datos nocturnos en un conjunto de entrenamiento para el reconocimiento facial .
  3. Compensación de la variación de sesgo. Puede causar un sesgo al sobre corregir la varianza. Si su modelo es demasiado sensible a la varianza, pequeñas fluctuaciones podrían causar que se modele ruido aleatorio. Demasiado sesgo para corregir esto podría pasar por alto la complejidad.
  4. Sesgo de medición. Esto es cuando el dispositivo que usa para recopilar los datos tiene un sesgo incorporado, como por ejemplo, una escala que sobreestima incorrectamente el peso; por lo que los datos son sólidos y ninguna corrección estadística los atraparía. Tener múltiples dispositivos de medición puede ayudar a prevenir esto.
  5. Sesgo de estereotipo. Tu entrenamiento es un algoritmo de aprendizaje automático para reconocer a las personas en el trabajo. Así que le das muchas imágenes de doctores y maestras. Esto podría incluso ser matemáticamente sólido, ya que el estereotipo es social y podría existir en los datos sin que usted se involucre. Pero si quieres un ML más fuerte, deberás corregir ese estereotipo social.

Reconocer que las máquinas son tan buenas como sus maestros es esencial para obtener datos útiles de ellas. Y, ya sabes, evitar que se enojen por lo mal que los hemos hecho de niños.

Véase también

 2.jpg

                                            Imagen: iStockphoto / ipopba
                                        


Source link

Be part of our affiliated companies and receive a 20% discount.
www.onevirtualoffice.com
www.be1radio.com
www.rmcommunik.com
www.beonegroup.ca

Need Help?
Let our experienced staff help with virtual helpdesk. click for details.

Services:
– Laptop and Desktop Repair
– Virus and Malware Removal
– Computer Tune-up
– Remote Assistance
– Data Backup
– Data Recovery
– File Transfer and Sharing
– Hardware Diagnostics
– Antivirus Installation
– Software Installation
– Hardware Upgrades
– New System Setup
– Printer Troubleshooting
-Webmaster,hosting,Logo , Graphic design
-Social media Management
– Networking
– Install Windows Operating System (10, 8, 7, Vista and XP)

Business & Residential Toll Free: 1-800-432-1475 | Direct: (438)488-3296

About rasco

Be Happy the future is friendly.

Leave a Reply

Your email address will not be published. Required fields are marked *

*

Allrights Reserved 2007-2018 - Beone Magazine - powered by rasco