reliable_ml_tg

Telegram канал

Что такое Reliable ML? 
 
Настало время объяснить, что было задумано при создании данного канала. Концепция Reliable ML &ndash; это о том, что делать, чтобы результат работы data science/big data команд был, во-первых, применим в бизнес-процессах компании-заказчика, а, во-вторых, приносил этой компании пользу. 
 
Что для этого нужно? 
 
- Уметь составлять грамотный план исследования и развития продукта, учитывающий дальнейшее применение модели. Для таких постов вводим тег #planning 
 
- Различать подходы, направленные на прогноз и на управление параметрами модели в дальнейшем для изменения ее результата (например, управление периодом и форматом проведения промо-активностей для максимизации выручки компании). Для второй цели &ndash; которая на практике встречается гораздо чаще просто прогноза &ndash; важно ориентироваться в подходах причинно-следственного анализа. О том, что такое причинно-следственный анализ, чем он отличается от простой корреляции, зачем и как его применять в DS-задачах, мы рассказываем вам под тегом #causal_inference 
 
- Принимать взвешенные решения о дальнейшем развитии проекта и его потенциальном финансовом эффекте. Для этого необходимо не только проработать качественный дизайн пилотного эксперимента для вашей модели, но и затем сделать корректную статистическую оценку эффекта пилота, а также расчет ожидаемого финансового эффекта. О технической составляющей этого процесса мы будем рассказывать вам под тегом #ab_testing, о выстраивании процесса управления рисками инвестиционных инициатив &ndash; под тегами #investment_process 
 
- Уметь интерпретировать работу и результат модели как для технической команды, так и для конечного пользователя (бизнеса). Для этого мы рассказываем вам об интерпретируемости. Теперь все посты по Interpretable ML будут помечены тегом #interpretable_ml 
 
- Уметь выбрать не только корректные технические метрики качества для решаемой задачи, но и сформулировать правильные бизнес-метрики, связанные с процессом применения модели, связать их с техническими метриками и итоговым финансовым результатом применения модели. Тут тег довольно очевидный - #metrics 
 
Итак, концепция Reliable ML охватывает не только технические особенности ML (#tech), но и построение процессов работы DS и взаимодействия с бизнесом (#business) для достижения максимального финансового эффекта.

<figure class="image"><img src="https://storage.yandexcloud.net/ds-ods/files/content/2022/10/17/8f11b424/99ead5e2-9114-4af5-99d3-b4f968bb1e91%202.jpg" /></figure>

<a href="https://habr.com/ru/company/ods/blog/667730/" rel="noopener noreferrer" target="_blank">Причинно-следственный анализ в машинном обучении: итоги 2021 г.</a> 
<a href="https://habr.com/ru/company/ods/blog/544208/" rel="noopener noreferrer" target="_blank">Причинно-следственный анализ в машинном обучении</a> 
<a href="https://habr.com/ru/company/ods/blog/667730/" rel="noopener noreferrer" target="_blank">Причинно-следственный анализ в машинном обучении: итоги 2021 г.</a> 
<a href="https://habr.com/ru/company/ods/blog/667492/" rel="noopener noreferrer" target="_blank">Интерпретируемость в машинном обучении: итоги 2021 г.</a>

Итоги года в Interpretable ML 2020: <a href="https://www.youtube.com/watch?v=8Mk7f41YY2Y" rel="noopener noreferrer" target="_blank">https://www.youtube.com/watch?v=8Mk7f41YY2Y</a> 
Итоги года в Causal Inference in ML 2020: <a href="https://www.youtube.com/watch?v=yy7YU5dMuQ8" rel="noopener noreferrer" target="_blank">https://www.youtube.com/watch?v=yy7YU5dMuQ8</a> 
Итоги года в Causal Inference in ML 2021: <a href="https://youtu.be/xkl5oXtsjTc?t=15049" rel="noopener noreferrer" target="_blank">https://youtu.be/xkl5oXtsjTc?t=15049</a>

Митап ODS Reliable ML по АБ-тестированию и Causal Inference - 17 декабря 2022 г.

Reliable ML AB Testing & Causal Inference Meetup

Как управлять внедрением и развитием продвинутой аналитики, чтобы ML был применим в бизнес-процессе и приносил финансовую пользу.

Reliable ML

Цель трека - создание сообщества для решения актуальных проблем интерпретируемости моделей машинного обучения и выявления причинно-следственных связей в них.

Interpretable & Causal ML

Интерпретация моделей машинного обучения: как объяснить результаты статистических моделей заказчику.

Interpretable ML

Цель трека - создание causal inference guide для data scientist-ов. Классические и современные подходы причинно-следственного анализа в применении к задачам машинного обучения.

Causal Inference in ML

Первая секция про интерпретируемость моделей машинного обучения в рамках ежегодного Data Fest.

Interpretable ML Track - Data Fest 2019

Секция Reliable ML - о том, как сделать так, чтобы результаты работы дата-команд приносили прибыль

Reliable ML (Data Fest 2023)

Смотрим доклады и отвечаем на ваши вопросы

3 и 4 июня  Data Fest 2023 Reliable ML

03.06.2023 Data Fest МТС, Газпромбанк, Reliable ML

Офлайн встреча 30 сентября

Оффлайн-встреча Reliable ML в Москве &nbsp;30 сентября в 11:00 датазавтрак ReliableML в Хлеб Насущный https://go.2gis.com/l4lkg&nbsp; &nbsp; улица Солянка, 1/2 ст1Большой стол забронирован на Ирину. Приходите, поговорим про Reliable и Unreliable ML, курс ML System Design, осенние митапы, датафесты, датахеллоуины, найм, карьеру, увольнение, синтетические данные и позавтракаем заодно, там хорошо.Хотели устроить встречу в пятницу вечером, как вы и проголосовали выше, но жизнь и расписания самолетов внесли свои коррективы.Ваш <a target="_blank" rel="noopener noreferrer" href="https://t.me/reliable_ml">@Reliable ML</a> &nbsp;#tech #ml_system_design