- shima__shima
- 2976
- 0
- 3
- 0
Huge consequences in society could be solved by #ML #deeplearning eg trial detention or bail? @jure @ECMLPKDD #AI pic.twitter.com/5lqbiWAack
2015-09-09 17:12:30@jure Leskovec's invited talk on #machinelearning for human #decision making already started! #ecmlpkdd2015 pic.twitter.com/LDw2N8plyH
2015-09-09 17:19:09Observable v. unobservable variables in court decisions @jure @Stanford @ECMLPKDD #ML #deeplearning #ecml pic.twitter.com/ZLTgTu3V82
2015-09-09 17:46:12"Use computers not to replace humans, but to help humans make better decisions" Jure Leskovec at #ecmlpkdd2015
2015-09-09 17:55:59Can we predict mistakes with #ML #deeplearning @jure @ECMLPKDD ? Yes - OPTIMISING HUMANS NOT REPLACING us! pic.twitter.com/eHoKH7vfQl
2015-09-09 17:57:34"The focus of #machinelearning should be placed on decisions." Jure Leskovec #ecmlpkdd2015
2015-09-09 17:59:06昨日の受賞講演に続いて,今日の招待講演に Leskovec さん再登場.私は見てないけど今年のKDDの被告を保釈するかどうかの判断.
2015-09-09 18:01:06行政上の統計と被告の履歴情報から決定木で判断し,再犯率の低いものから保釈.裁判官の判断より再犯率も法廷に現れる率もよい.問題として,保釈しなかった人が再犯するかどうかのデータがない選択バイアスや,保釈した人が再犯するとまずいが,逆はそうでもない非対称性
2015-09-09 18:01:19この辺の問題にはROCを考えて対応しているように見えたのだが,この辺の問題は反実仮想とかを考えて因果推論で対応しないといけないように思う.どうなんだろう?
2015-09-09 18:01:25あと,裁判官の判断との差を求めるグラフィカルモデルも提案していて,経験が浅いと判断を誤ることが多いとか,重大な犯罪に対してはより厳しい判断をするなどの分析を示していた.
2015-09-09 18:01:35Congratulations to Changwei Hu et al. for winning the best paper award of DMKD journal:"Scalable Bayesian Non-negative Tensor Factorization"
2015-09-09 19:15:42#ecmlpkdd2015: NEW industrial speaker - Carlos Gomez-Uribe from #Netflix will deliver TODAY a talk on Recommendation and Search #Algorithms!
2015-09-09 20:30:25お昼には鶏肉のチャーハンみたなのがでた.これが h3.dion.ne.jp/~porto4/arroz.… で紹介されていた Arroz de Pato というものっぽい.醤油っぽい味がするのだが,これはなんの味付けなんだろう?
2015-09-09 21:30:33twitter.com/AlisonBLowndes… ← 交差確認で求めた分散は意味がないというのはちゃんと知らなかった.予測誤差の分散を評価するにはどうしららいい?2項分布の分散 p(1 - p) でいくのか?
2015-09-09 21:45:46Stdev of cross validation makes no sense #HendrikBlockeel @ECMLPKDD #ecml #machinelearning pic.twitter.com/VxIxjfKnFN
2015-09-08 17:26:42VP Products @netflix Carlos Gomez-Uribe discusses innovation + personalization algorithms @ECMLPKDD #ecml pic.twitter.com/pXRDQeOsOV
2015-09-09 22:03:02Innovation and recommendation at #Netflix. Keynote by Carlos Gomez Uribe at #ecmlpkdd2015 #recsys @ECMLPKDD pic.twitter.com/xFqMb4WDZz
2015-09-09 22:06:22How does recommendation work in @Netflix? Invited talk @ECMLPKDD 2015 : Free month for attending ? ;) pic.twitter.com/RJvGqolhNz
2015-09-09 22:09:00@netflix Similar motivations @Twitch ; @drewwww @ChedyRaissi #ecmlpkdd pic.twitter.com/ecQWfFnlfN
2015-09-09 22:13:58Any other fellow Rustaceans at #ecmlpkdd right now? Cc @rustlang @ECMLPKDD
2015-09-09 22:26:01"focusing on stars was useless" Carlos Uribe @netflix @ECMLPKDD #ML #deeplearning #ecml pic.twitter.com/2ck8HDz0hL
2015-09-09 22:33:37Evolution of the #Netflix recommender system @ industrial talk of Carlos Gomez-Uribe #ecmlpkdd2015. pic.twitter.com/FpNxTUAOdt
2015-09-09 22:38:32二つ目のインダストリアル招待講演は Netflix の中の人 Carlos Gomez-Uribe さん.オンデマンドのビデオ配信の推薦システムについて.
2015-09-09 22:42:49Netflixの人がよく話のまくらに使う,既存メディアの崖:見る人があるしきい値を割ると,その作品は全く見られなくなる.推薦を使えば,見る人に対してなめらかに減少するように
2015-09-09 22:43:01インタフェースのテストをやるとき,新しいインタフェースは嫌われやすいバイアスとかあって難しい.作品の選択率が上がるとともに,キャンセル率も同時に上がるなど相反する結果が得られてしまい,結果の読み解きが難しい場合など.
2015-09-09 22:43:11