Weekend of a Data Scientist – это серия статей, в которых рассказывается о интересных вещах, которые мне небезразличны. Идея состоит в том, чтобы провести выходные, изучая что-то новое, читая и программируя.

Эта неделя была довольно загруженной, поэтому я читал немного ниже среднего. План на эту неделю — наверстать упущенное!

ICML 2018 завершился, и статьи стали доступны, они просто золото для специалистов по данным! Современные подходы охватывают множество различных тем.

Я настоятельно рекомендую подумать об этом, хотя бы для ознакомления с бумагами. Полный список можно найти здесь: https://icml.cc/Conferences/2018/Schedule?type=Poster

Я просто хочу выделить несколько статей, которые я уже прочитал.

  1. Марковские модулированные гауссовские процессы Кокса для полустационарного моделирования интенсивности данных о событияхhttp://proceedings.mlr.press/v80/kim18a.html

В кратких исследованиях предложенная модель марковского модулированного процесса Пуассона включала модель гауссовского процесса Кокса, которая позволила охватить две важные особенности: плавные изменения интенсивности на основе GP и основные переключения режимов посредством скрытого марковского процесса. В документе были показаны два практических примера, примененных к футбольным данным Kaggle и данным о землетрясениях в Италии. Результаты показали превосходную производительность такой комбинированной модели на полустационарных данных, что всегда сложно для моделирования.

2. Глубокое обучение с подкреплением в пространствах непрерывного действия: пример игры в имитации керлинга http://proceedings.mlr.press/v80/lee18b.html

Я накапливаю опыт обучения с подкреплением, поэтому эта статья показалась мне очень интересной. Исследователи использовали обучение с учителем в сочетании с обучением с подкреплением и для изучения игровой стратегии с помощью поиска по дереву Монте-Карло на основе ядра в непрерывном пространстве. В итоге сделанная ими модель выиграла международный конкурс по цифровому керлингу (да, такая штука существует).

3. Визуализация и понимание агентов Atarihttp://proceedings.mlr.press/v80/greydanus18a.html

Когда я прочитал оригинальную статью об ИИ, играющем в игры Atari еще в 2013 году, я был поражен! Но с тех пор Q-обучение сделало огромные шаги: Deep Mind создал ИИ, который выиграл чемпионат по Го, OpenAI создал ИИ, который может играть в Доту (и он, вероятно, выиграет у нынешних чемпионов). Q-обучение было для меня чем-то вроде черного ящика.
Я нашел эту статью очень интересной, потому что она разбивает процесс принятия решений, используемый ИИ, авторы сделали очень подробные визуализации. В результате статьи содержат подробные объяснения и визуализации, которые могут сделать агент Atari более понятным даже для неспециалистов.

У вас есть любимые работы с ICML 2018? Дайте мне знать, и мы можем обсудить их!

Предыдущие статьи:

  1. Weekend of a Data Scientist — 13 июля 2018 года — создание MVP для анализа настроений в Твиттере.
  2. 2. Выходные Data Scientist — 6 июля 2018 года — об интерпретации прогнозов моделей
  3. Выходные Data Scientist — 25 мая 2018 — несколько интересных статей
  4. Подкасты для дата-сайентистов