Czy ten model w ogóle działa?

Data Scientist w SigDelta. Od lat zajmuje się uczeniem maszynowym, a specjalizuje się w obszarze przetwarzania języka naturalnego i sztucznych sieciach neuronowych (deep learning). W 2015 roku ukończył z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalizacji Statystyka Matematyczna i Analiza Danych. Kontynuował rozwój na doktoracie, w ramach którego prowadził badania nad metodami głębokiego uczenia w zastosowaniach związanych z przetwarzaniem tekstów – rozpoznawaniem wydźwięku i analizą składniową. Porzucił karierę naukową na rzecz pracy komercyjnej oraz profesjonalnej pracy dydaktycznej. Prowadzi szkolenia i zajęcia na uczelniach, ale przede wszystkim kieruje Bootcampem Data Science Kodołamacza, na którym kształci przyszłych specjalistów data science.

🔸 Gdy opracowujemy nowe rozwiązania problemów predykcyjnych z wykorzystaniem uczenia maszynowego, naturalną koleją rzeczy jest porównywanie ich z dotychczas istniejącymi i wdrażanie nowych wersji, gdy dają one lepsze rezultaty.

🔸 Natomiast, gdy rozwiązujemy pewien problem po raz pierwszy i nie mamy z czym się porównać, pojawia się problem oceny, czy otrzymane wyniki są "dobre" czy "złe".

🔸 W szczególności czasem problematyczne może być stwierdzenie, czy dany algorytm w ogóle ma jakąś wartość - czy jego skuteczność predykcji jest większa niż zgadywanie oparte na prostych regułach bez wykorzystania uczenia maszynowego.

💡 W takiej sytuacji niezbędne jest właściwe ustanowienie punktów odniesienia, które umożliwią odpowiedź na to pytanie.