کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Machine learning models have been increasingly used in business research. However, most state-of-the-art machine learning models, such as deep neural networks and XGBoost, are black boxes in nature. Therefore, post hoc explainers that provide explanations for machine learning models by, for example, estimating numerical importance of the input features, have been gaining wide usage. Despite the intended use of post hoc explainers being explaining machine learning models, we found a growing trend in business research where post hoc explanations are used to draw inferences about the data. In this work, we investigate the validity of such use. Specifically, we investigate with extensive experiments whether the explanations obtained by the two most popular post hoc explainers, SHAP and LIME, provide correct information about the true marginal effects of X on Y in the data, which we call data-alignment. We then identify what factors influence the alignment of explanations. Finally, we propose a set of mitigation strategies to improve the data-alignment of explanations and demonstrate their effectiveness with real-world data in an econometric context. In spite of this effort, we nevertheless conclude that it is often not appropriate to infer data insights from post hoc explanations. We articulate appropriate alternative uses, the most important of which is to facilitate the proposition and subsequent empirical investigation of hypotheses. The ultimate goal of this paper is to caution business researchers against translating post hoc explanations of machine learning models into potentially false insights and understanding of data.
چکیده به فارسی (ترجمه ماشینی)
از مدل های یادگیری ماشین به طور فزاینده ای در تحقیقات تجاری استفاده شده است.با این حال ، اکثر مدل های یادگیری ماشین های برتر ، مانند شبکه های عصبی عمیق و XGBoost ، جعبه های سیاه در طبیعت هستند.بنابراین ، توضیح دهنده های تعقیب و گریز که توضیحاتی در مورد مدل های یادگیری ماشین ارائه می دهند ، به عنوان مثال ، برآورد اهمیت عددی ویژگی های ورودی ، استفاده گسترده ای داشته است.با وجود استفاده در نظر گرفته شده از توضیح دهندگان پس از تعقیب در توضیح مدل های یادگیری ماشین ، ما روند فزاینده ای در تحقیقات تجاری پیدا کردیم که در آن از توضیحات بعد از تعقیب برای ترسیم استنتاج در مورد داده ها استفاده می شود.در این کار ، اعتبار چنین استفاده هایی را بررسی می کنیم.به طور خاص ، ما با آزمایش های گسترده بررسی می کنیم که آیا توضیحات به دست آمده توسط دو توضیح دهنده محبوب تعقیبی ، Shap و Lime ، اطلاعات صحیحی در مورد اثرات حاشیه ای واقعی X بر Y در داده ها ارائه می دهد ، که ما آن را تراز کردن داده می نامیم.سپس ما شناسایی می کنیم که چه عواملی در تراز توضیحات تأثیر می گذارد.سرانجام ، ما مجموعه ای از استراتژی های کاهش برای بهبود داده های توضیحات و نشان دادن اثربخشی آنها با داده های دنیای واقعی در یک زمینه اقتصاد سنجی پیشنهاد می کنیم.علیرغم این تلاش ، با این وجود نتیجه می گیریم که اغلب مناسب نیست که بینش داده ها را از توضیحات بعد از تعقیب استنباط کنیم.ما استفاده های جایگزین مناسب را بیان می کنیم ، که مهمترین آنها تسهیل گزاره و تحقیقات تجربی متعاقب فرضیه ها است.هدف نهایی این مقاله ، احتیاط محققان در مورد ترجمه توضیحات تعقیب و گریز از مدل های یادگیری ماشین به بینش بالقوه کاذب و درک داده ها است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
