"Fun" fact: some machine learning models will actually *amplify* underlying biases in the training data. Relevent paper: https://www.aclweb.org/anthology/D17-1323 …
“If you feed it historical crime data, it will pick out patterns associated with crime...[But] if an algorithm found that low income was correlated with high recidivism, it would leave you none the wiser about whether low income actually caused crime.”https://www.technologyreview.com/s/612775/algorithms-criminal-justice-ai …
-
-
Dziękujemy. Twitter skorzysta z tych informacji, aby Twoja oś czasu bardziej Ci odpowiadała. CofnijCofnij
-
-
-
Dziękujemy. Twitter skorzysta z tych informacji, aby Twoja oś czasu bardziej Ci odpowiadała. CofnijCofnij
-
-
-
This big data approach to AI seems to get the correlation vs causation thing mixed up a lot
Dziękujemy. Twitter skorzysta z tych informacji, aby Twoja oś czasu bardziej Ci odpowiadała. CofnijCofnij
-
-
-
Seems to me a perfect point supporting
@yudapearl contention that DAG causal models should be front and center of such analysis#Bookofwhyhttps://twitter.com/yudapearl/status/1082909589387898882 …Dziękujemy. Twitter skorzysta z tych informacji, aby Twoja oś czasu bardziej Ci odpowiadała. CofnijCofnij
-
-
-
not to mention "crime data" is a fairly thorny category, eg recidivism risk tools are usually re-arrest likelihood tools, which carries saliently different causal factors, or "crime prediction" being "call-for-service prediction"
Dziękujemy. Twitter skorzysta z tych informacji, aby Twoja oś czasu bardziej Ci odpowiadała. CofnijCofnij
-
-
-
This seems relevant:https://twitter.com/RealSaavedra/status/1087627739861897216?s=19 …
0:35Dziękujemy. Twitter skorzysta z tych informacji, aby Twoja oś czasu bardziej Ci odpowiadała. CofnijCofnij
-
Wydaje się, że ładowanie zajmuje dużo czasu.
Twitter jest przeciążony lub wystąpił chwilowy problem. Spróbuj ponownie lub sprawdź status Twittera, aby uzyskać więcej informacji.