Современные явления машинного обучения (ML), такие как двойное снижение и добросовестное переобучение, вызывают затруднения у многих классически обученных статистиков.
Решения:
— Исследования показывают, что явления беневольной интерполяции и двойного снижения не ограничиваются глубоким обучением, но также проявляются в более простых моделях, таких как методы ядер и линейная регрессия.
— Ученые предлагают обновленные декомпозиции ошибки прогнозирования и разрабатывают таксономии интерполирующих моделей, что способствует пониманию обобщения в сложных моделях.
— Переход от фиксированных к случайным настройкам изменяет компромисс между смещением и разбросом, что вызывает вызывает сомнения в традиционном понимании комплексных моделей.
Исследование от Университета Кембриджа выявляет скрытый фактор современных явлений машинного обучения
Решения:
— Переход от оценки производительности модели на основе ошибки прогнозирования внутри выборки к обобщению на новые данные изменяет классический компромисс между смещением и разбросом.
— Даже для простых оценщиков и процессов генерации данных наблюдаются сценарии, где смещение и разброс уменьшаются при уменьшении сложности модели, противореча общепринятому мнению.
Применение искусственного интеллекта в продажах и маркетинге
Решения:
— Определите области для применения автоматизации и ключевые показатели эффективности, которые вы хотите улучшить с помощью ИИ.
— Подберите подходящее решение и внедряйте его постепенно, начиная с небольших проектов и анализируя результаты.
— Расширяйте автоматизацию на основе данных и опыта.
