Missing Parts in ML

Современное машинное обучение впечатляет качеством, с которым позволяет решать прикладные задачи, но при этом часто опирается на упрощенные или устаревшие базовые принципы, которые, кстати говоря, многие разработчики не принимают во внимание, что в свою очередь оказывает прямое влияние на надежность и безопасность создаваемых систем. Примером может служить принцип минимизации эмпирического риска (ERM), который до сих пор лежит в основе большинства алгоритмов или предположение о том, что данные имеют нормальное распределение. Мы обсудим, на какие аспекты теории машинного обучения стоит обратить внимание, почему они становятся причиной проблем с обобщающей способностью и робастностью моделей, и что можно противопоставить. Приходите, если хотите взглянуть на машинное обучение не как на набор инструментов, а как на науку, требующую глубокого понимания ее математических основ и первопричин.