Planificateur d’étude

Partir des probabilités et finir capable d’énoncer précisément ce qu’un modèle estime, pourquoi il ne peut pas être parfait, et comment mesurer honnêtement son erreur.

1. Étape 1

   Raisonner sur l’incertitude

   Univers, les deux axiomes, et les règles d’addition et de multiplication, puis l’inversion d’une conditionnelle par Bayes et le constat de la façon dont les taux de base trompent l’intuition.

   Parcours: Fondements des probabilités et de la statistique · 130 min de leçons

   Lectures: probability from zero, bayes theorem and belief updating

   ProbabilitéMathématiques

2. Étape 2

   Lire un échantillon honnêtement

   Ce qu’une estimation dit et ne dit pas de la population qui la sous-tend : le biais contre la variance, ce qu’un intervalle de confiance promet sur la procédure plutôt que sur votre intervalle, et de quoi une p-value est la probabilité.

   Parcours: Inférence statistique · 85 min de leçons

   Lectures: what a sample can and cannot tell you

   StatistiqueProbabilité

3. Étape 3

   Respecter l’ordre des données

   Ce qui casse quand les lignes ne sont pas indépendantes : une régression qui trouve une relation entre deux séries sans rapport, un écart-type trop étroit d’un facteur calculable, et la découpe de validation qui mesure l’interpolation au lieu de la prévision.

   Parcours: Séries temporelles · 85 min de leçons

   Lectures: the regression that finds a relationship that is not there

   StatistiqueApprentissage automatique

4. Étape 4

   Distinguer une cause d’une corrélation

   Pourquoi une comparaison entre traités et non traités peut porter le mauvais signe, ce que la randomisation achète et que l’ajustement ne peut pas, et la règle décidant des variables à contrôler, y compris celles qui fabriquent du biais.

   Parcours: Inference causale · 80 min de leçons

   Lectures: the treatment that helps everyone and harms the average

   StatistiqueApprentissage automatique

5. Étape 5

   Savoir pourquoi tout cela généralise

   Ce que rapporte vraiment un score d’entraînement, la mesure de capacité qui survit à une classe d’hypothèses infinie, et le théorème de moyenne qui chiffre les hypothèses que tout apprenant doit faire.

   Parcours: Theorie statistique de l'apprentissage · 85 min de leçons

   Lectures: why learning from data works at all

   Apprentissage automatiqueMathématiques

6. Étape 6

   Mener une expérience à laquelle on peut croire

   Dimensionner un test avant son départ, l’exagération que rapporte un test sous-dimensionné, les faux vainqueurs produits par les coups d’œil, les métriques et les segments supplémentaires, et le passage d’un effet mesuré à une décision.

   Parcours: Expérimentation et tests A/B · 85 min de leçons

   Lectures: the experiment that was going to win anyway

   StatistiqueApprentissage automatique

7. Étape 7

   Mesurer l’information elle-même

   L’entropie comme longueur minimale d’un code plutôt que comme résumé, le supplément payé pour la mauvaise distribution qui se révèle être la perte que vous minimisez déjà, et le plafond que l’information mutuelle pose sur tout ce qui suit une variable.

   Parcours: Théorie de l’information · 85 min de leçons

   Lectures: the bound that is actually reached

   MathématiquesApprentissage automatique

8. Étape 8

   Poser le problème d’apprentissage

   Le cadre Y = f(X) + e, la séparation entre erreur réductible et irréductible, et la décision de savoir si vous faites de la prédiction ou de l’inférence.

   Lectures: what is statistical learning

   StatistiqueApprentissage automatique

9. Étape 9

   Mesurer l’erreur honnêtement

   La décomposition biais-variance exacte, et l’usage de la validation croisée en k blocs pour estimer l’erreur de test à partir des données dont vous disposez déjà.

   Lectures: the bias variance tradeoff, cross validation and resampling

   StatistiqueApprentissage automatique

Les plans d’étude sont l’ordonnancement propre à ce site, non le programme officiel d’une quelconque institution.