О чём рассказывается в презентации:
Презентация посвящена принципу бритвы Оккама в Data Science и его роли в выборе и оптимизации моделей машинного обучения. Рассматриваются вопросы минимизации сложности моделей для предотвращения переобучения и повышения обобщающей способности. Также обсуждаются методы регуляризации и критерии оценки, которые помогают соблюдать баланс между смещением и дисперсией, что критично для успешного анализа данных.
Оглавление
Бритва Оккама в Data Science
Бритва Оккама в науке о данных
Сложность модели определяет риск ошибки
Проблема переобучения как следствие излишней сложности
Математические методы регуляризации
Информационные критерии для оценки оптимальности
Принцип минимальной длины описания (MDL)
Интерпретируемость как требование регуляторов
Экономическая эффективность простых решений
Эволюция концепции сложности: парадокс двойного спуска
Переход от минимализма к оптимальной сложности
Выводы
Ключевые выводы
Спасибо за внимание!
