In den letzten 80 Jahren haben Amerikas mutige und nachhaltige Investitionen in die wissenschaftliche Forschung und die Die daraus resultierenden Entdeckungen, Ideen und Innovationen machten Amerika zu einem Weltmarktführer. Die wissenschaftliche Führungsrolle des Landes warfare für unseren gemeinsamen Wohlstand und unsere nationale Sicherheit von entscheidender Bedeutung und hat allen Amerikanern echte Vorteile gebracht.

Am 16. Juni Wissenschaftlicher Amerikaner veröffentlichte einen speziellen Abschnitt: „Die jungen amerikanischen Wissenschaftler„, in dem Berufseinsteiger gewürdigt werden, die sich aktiv in der wissenschaftlichen Forschung engagieren, und Kommentare von MIT-Fakultäten dazu enthalten, warum sie sich weiterhin so sehr für die von Neugier getriebene Wissenschaft einsetzen, und zeigen, wie ihre harte Arbeit und ihr Engagement die Amerikaner sicherer, gesünder und wohlhabender machen. Zu den Profilen der Sektion gehören viele MIT-Fakultäten, Studenten und Alumni, die ihre Ratschläge für junge Wissenschaftler und ihre Gründe für Optimismus in unsicheren Zeiten weitergeben.

betont Präsidentin Sally Kornbluth betonte die Bedeutung der von Neugier getriebenen Forschung und stellte fest, dass Entdeckungen „Teil unserer amerikanischen DNA sind und den Bürgern dieses Landes und der Welt enorme Erträge gebracht haben“. Sie fügt hinzu: „Was benötigt wird, ist eine erneute Konzentration auf öffentliche Investitionen in die amerikanische Wissenschaft. Selbst wenn ich nicht der Leiter einer führenden wissenschaftlichen Einrichtung wäre, würde ich Folgendes sagen. In die amerikanische Wissenschaft zu investieren ist kein Glücksspiel; wenn man in die Vergangenheit blickt, gibt es keinen Zweifel an den Vorteilen.“

Fügt hinzu Institut Prof. Robert Langer: „Was die amerikanische Wissenschaft in den letzten 50, 100 Jahren geleistet hat, warfare bemerkenswert.“

Wissenschaftlicher Amerikaner stellt fest, dass sich dieses Engagement für Entdeckungen am MIT in Initiativen wie z Neugier auf Mission und die Generative AI Affect Consortiumdie darauf abzielen, „Lösungen für reale Probleme auf eine Weise zu finden, die der Gesellschaft zugute kommt“. „Einerseits befinden wir uns technologisch in einer Zeit, in der die Dinge nicht aufregender sein könnten (und unsere Wissenschaft nicht moderner sein könnte). Gleichzeitig haben wir noch nie eine Scenario erlebt, in der sich die Menschen über die Kontinuität der Wissenschaftsfinanzierung so unsicher fühlten, insbesondere wenn es um die grundlegende Entdeckungswissenschaft geht, die die Wirtschaft antreibt und in ein oder zwei Jahrzehnten gesellschaftliche Auswirkungen haben wird“, sagt Kornbluth.

Die ersten Funken

Zeuge einer Erfindung zu werden, kann eine lebenslange Faszination für die Wissenschaft wecken. Nach dem Begin von Sputnik, dem ersten künstlichen Satelliten der Welt, warfare Prof. Alan Lightman „von der Idee fasziniert, eine eigene Rakete zu bauen“. In seinem Aufsatz „Meine Kindheit in der Wissenschaft„Lightman beschreibt, wie diese frühen wissenschaftlichen Erinnerungen und Experimente ihn zu einem vielseitigen Schriftsteller und Physiker gemacht haben.

„Mehr denn je, da ein Großteil der Welt, einschließlich der USA, seinen moralischen Kompass verloren hat und zu einer Hundefresser-Mentalität führt, brauchen wir Wissenschaft in Kombination mit Literatur, Philosophie, Geschichte und Kunst. Wir müssen nicht nur die physische Welt, sondern auch unsere eigene Menschlichkeit entdecken“, schreibt Lightman.

Ebenfalls, Prof. John Urschelein ehemaliger NFL-Spieler, betont die Bedeutung der Zusammenarbeit und der Vielfalt an Interessen.

„Viel gute Forschung entsteht, wenn Menschen auf Werkzeuge, Techniken und Erkenntnisse aus verschiedenen Bereichen, Disziplinen und sogar Fachgebieten zurückgreifen können. Ich hoffe, wir können vielversprechende junge Wissenschaftler dazu ermutigen, einen starken, breiten Hintergrund aufzubauen und häufig mit Menschen außerhalb ihres jeweiligen Fachgebiets zu kommunizieren“, sagt Urschel.

Erfindung und Entdeckung

Wissenschaftlicher Amerikaner hebt Studenten und Alumni hervor, die die Welt verbessern wollen, indem sie alles tun, von der Erforschung neurologischer Erkrankungen bis hin zur Sicherung unserer Energiezukunft.

Am MIT, Gastwissenschaftlerin Alice Stanton entwickelte miBrain, ein 3D-Gewebemodell des menschlichen Gehirns, um Wissenschaftlern bei der Entwicklung personalisierter Behandlungen für Alzheimer und Parkinson zu helfen. Stanton hat eine Miniaturversion von miBrain entwickelt, einem Mind-on-a-Chip, um Therapeutika besser testen zu können.

Stanton stellt fest, dass „der Weg zu wirksamen Behandlungen lang und holprig ist“, was durch Kürzungen der Bundesmittel noch verstärkt wird. „Wenn ein geliebter Mensch krank wird, wollen wir eine Behandlung – wir wollen etwas, das ihn heilt. Das kommt nicht aus dem Nichts“, erklärt sie.

Bob Mumgaard PhD ’08, CEO von Commonwealth Fusion Programs, arbeitet an der Kommerzialisierung der Fusionsenergie. „Ob in Bereichen wie der Fusion – oder bei Medikamenten gegen Krankheiten wie Alzheimer und Parkinson oder bei der Herstellung von Materialien, die wir nie für möglich gehalten hätten – unsere Fähigkeit, neue Werkzeuge zu nutzen, um einige dieser großen, gravierenden Probleme anzugehen, ist äußerst aufregend“, betont Mumgaard.

Doktorand Alex Zhang bekämpft Kontextfäule: das Phänomen, dass KI-Sprachmodelle schlechter werden, je mehr Informationen sie produzieren. Um dieses Downside zu lösen, entwickelt Zhang rekursive Sprachmodelle (RLMs), die es dem Modell ermöglichen, mit sich selbst zusammenzuarbeiten, um das Denken neu zu bewerten.

„Die Arten von Forschung, an denen ich arbeiten möchte, sollten meiner Meinung nach zum Nutzen der Menschen im Allgemeinen geteilt werden“, sagt Zhang.

Die Vorteile der wissenschaftlichen Zusammenarbeit

Was passiert, wenn sich wissenschaftliche Disziplinen am MIT bündeln?

Prof. Emery Brown hob das MIT hervor Kooperation im Bereich Gesundheit und Biowissenschaften (HEALS) und weist darauf hin, dass die Initiative Wissenschaftler und Ingenieure mit unterschiedlichem Hintergrund zusammenbringt, um die dringendsten gesundheitlichen Herausforderungen unserer Zeit anzugehen.

Brown erklärt, dass HEALS mit der Unterstützung von Präsident Kornbluth „die Fakultät dazu ermutigt, sich eingehender mit der Lösung von Gesundheitsproblemen zu befassen. Die Begeisterung für HEALS ist auf dem gesamten Campus ansteckend.“

MIT-Absolventin Lucy Jones PhD ’81die für ihre Arbeit zur Verbesserung der öffentlichen Sicherheit bei Erdbeben und für die Entwicklung der ersten amerikanischen Erdbebenübung namens „Nice ShakeOut“ bekannt ist, betonte die Notwendigkeit der Zusammenarbeit bei der Entwicklung wissenschaftlicher Lösungen für drängende Probleme der realen Welt.

„Lösungen müssen in Zusammenarbeit gefunden werden, was bedeutet, dass wir Zeit mit politischen Entscheidungsträgern verbringen“, sagt Jones.

Jones erzählt auch, wie wissenschaftliche Fortschritte in der Computertechnik dazu beigetragen haben, die Sicherheit der Amerikaner im ganzen Land zu erhöhen, wenn der Boden zu beben beginnt.

„In meinem ersten Jahr an der Graduiertenschule habe ich Papierseismogramme gelesen. Jetzt ist alles computerisiert. Früher führten wir Feldeinsätze durch, jetzt haben wir permanente Netzwerke. Wir fangen an, Glasfaserkabel als Seismometer zu verwenden“, sagt Jones. „Pc haben alles verändert, auch die Wissenschaft.“

Der Stand der amerikanischen Wissenschaft

In den Profilen wurden die Befragten gefragt, was sich derzeit in der amerikanischen Wissenschaft ändern muss. Viele äußerten Bedenken hinsichtlich der Bundesfinanzierung.

„Ich habe das Glück, mit außergewöhnlichen Studenten und Postdoktoranden zusammenzuarbeiten, aber die Infrastruktur, die es ihnen ermöglicht, ihre beste Arbeit zu leisten, steht unter echtem Stress: Finanzierungsinstabilität bei den Nationwide Institutes of Well being und der Nationwide Science Basis, Einwanderungsunsicherheit für internationale Wissenschaftler und ein Schwund des öffentlichen Vertrauens in Fachwissen“, sagt er Prof. Feng Zhang.

Zhang entwickelte CRISPR-basierte Genombearbeitungswerkzeuge, die unser Verständnis menschlicher Krankheiten verbessern und zu neuen Behandlungen führen könnten. „Wir können unseren Vorsprung schnell verlieren, wenn wir unser Innovationsökosystem nicht schützen“, sagt er.

Zu den positiven Entwicklungen zählen die Fortschritte Prof. Alan Guth hat in der Kosmologie Zeuge gemacht.

„Mit neuen Techniken sind wir in der Lage, das, was wir beobachten, zu entschlüsseln und einen Sinn daraus zu machen“, sagt Guth. „In diesem Bereich wurden große Fortschritte erzielt, und was die Physik des Fachgebiets betrifft, denke ich, dass die Dinge großartig laufen. Aber für mich sind die Aussichten auf zukünftige Finanzierung das eigentliche Downside.“

Langer teilt seinen Glauben an die Beständigkeit und Stärke des amerikanischen Wissenschafts- und Innovationsökosystems.

„Wenn ich mir die Geschichte der amerikanischen Innovation und Bildung der letzten 250 Jahre ansehe, ist sie spektakulär“, sagt Langer. „Häufig gab es Rückschläge. Wir hatten Weltkriege, wissen Sie, wir hatten Depressionen, und die Menschen bleiben hartnäckig und lernen weiter. Sie entdecken weiter und erfinden weiter. Das gibt mir additionally großen Grund zur Hoffnung. Dies ist keineswegs die schlimmste Zeit.“

Zuletzt KI- und Gesellschaftsforum am MITExperten aus dem gesamten Institut diskutierten die potenziellen Vorteile und Gefahren technologischer Innovationen für die Arbeit, die Artwork der Arbeit, den zivilen Diskurs, die Wahlverwaltung und andere Themen.

Die Veranstaltung umfasste individuelle Forschungspräsentationen und Podiumsdiskussionen eine musikalische Darbietung Erforschung des Einsatzes generativer künstlicher Intelligenz in der Kunst.

Das Discussion board wurde von der mitorganisiert Fakultät für Geistes-, Kunst- und Sozialwissenschaften (SHASS) und die Soziale und ethische Verantwortung des Computer systems (SERC). Es wurde in Zusammenarbeit mit zwei strategischen Initiativen des MIT präsentiert: dem MIT Generative AI Impression Consortium (MGAIC) und die MIT Human Perception Collaborative (MITHIC).

Agustín Rayoder Kenan Sahin Dekan von SHASS und Dan HuttenlocherDekan des MIT Schwarzman Faculty of Computing, hielt seine Eröffnungsrede.

Rayo sagte, es sei beabsichtigt, Wissenschaftler aus dem gesamten MIT zusammenzubringen, da für das Verständnis der Auswirkungen von KI Fachwissen aus den Disziplinen des gesamten Instituts erforderlich sei.

„Auf die gesellschaftlichen Folgen der KI zu achten bedeutet keine Abweichung von der Mission des MIT; es ist eine Möglichkeit sicherzustellen, dass unsere technische Führung maximale Wirkung erzielt“, sagte Rayo.

Huttenlocher fügte hinzu, dass es aufgrund des schnellen Wachstums von Computern und KI von entscheidender Bedeutung sei, interdisziplinäre Gespräche und Forschung zu unterstützen.

„Zu verstehen, wo KI überragt und wo sie zurückbleibt, ist nicht nur wichtig, um ihre Vorteile zu nutzen, sondern auch, um kritische Fehler, übermäßiges Vertrauen und unbeabsichtigte Folgen zu vermeiden“, sagte Huttenlocher.

Jobs und KI

Das Discussion board fand am 12. Mai in der Tull Live performance Corridor im Linde Music Constructing des MIT statt und wurde mit einer Keynote-Präsentation eines Wirtschaftswissenschaftlers eröffnet David Autorder Daniel (1972) und Gail Rubinfeld Professor am MIT Division of Economics. Autor widersprach dem gängigen Narrativ, dass KI lediglich Arbeitsplätze vernichten werde, indem er stattdessen vorschlug, dass die Auswirkungen der Technologie davon abhängen, wie sie sich auf die Knappheit und den Wert menschlichen Fachwissens auswirkt.

„Wenn ich darüber nachdenke, wie Technologie mit dem Wert der Arbeit interagiert, denke ich darüber nach, wie sie die Knappheit an Fachwissen verändert, ob sie dadurch wertvoller oder eher zu einer Ware wird“, sagte er.

Autor sagte, dass es darauf ankommt, ob die Automatisierung routinemäßige unterstützende Aufgaben oder Expertenaufgaben beseitigt. Er argumentierte, dass KI wahrscheinlich neue spezialisierte Arbeitsplätze schaffen werde, was proaktive Richtlinien in Bezug auf Arbeitnehmerschulung, Lohnversicherung und breiteren Kapitalbesitz erfordere.

Anschließend fand unter der Moderation von Rob Loughlin, einem Companion bei McKinsey & Firm, eine Podiumsdiskussion statt, bei der Experten des MIT darüber diskutierten, wie sich die Arbeit verändert und was sie für die Gesellschaft bedeutet.

Daniela RusProfessor für Informatik am MIT Panasonic und Direktor des Pc Science and Synthetic Intelligence Laboratory (CSAIL), beschrieb die Begeisterung darüber, wie KI den Arbeitsplatz verbessern könnte.

„Ich stelle mir den Roboter gerne als Ihren Freund und Assistenten vor, als jemanden, der Sie beobachtet und herausfindet, wie er Ihnen helfen kann, als jemanden, den Sie auf hohem Niveau betreuen können“, sagte sie.

Dennoch, so Rus, bleibe das menschliche Urteilsvermögen bei der Entscheidungsfindung von entscheidender Bedeutung.

„Wir könnten wirklich über eine Zusammenarbeit mit den KI-Instruments nachdenken, aber die Rolle des Menschen als Entscheider, als Particular person mit gutem Urteilsvermögen, als Particular person, die über den nächsten Schritt entscheidet, was auch immer das ist, bleibt überaus wichtig“, sagte sie.

David MindellProfessor für Luft- und Raumfahrt und der Dibner-Professor für Geschichte des Ingenieurwesens und der Fertigung im Programm für Wissenschaft, Technologie und Gesellschaft, sagt, die Artwork der Arbeit habe sich im Laufe der Jahre ständig verändert, aber „was zählt, ist die neue Arbeit.“

„Wir müssen Einzelpersonen, die Wirtschaft und Berufe unterstützen, um ständig neue Arbeitsplätze zu schaffen“, sagte er. „Es ist absolut unerlässlich, dass wir den jungen Menschen die Werkzeuge geben und sie das tun lassen, was sie kreativ finden, und uns zeigen, wie die neue Arbeit aussehen wird.“

Die Diskussionsteilnehmer sprachen auch über die Notwendigkeit, Sicherheitsstandards aufrechtzuerhalten und gleichzeitig nach Möglichkeiten zur Steigerung der Effizienz zu suchen. Mindell führte als Beispiel Frachtflüge an, die aufgrund der Fluglänge sechs Piloten erfordern.

„Wir wissen noch nicht, wie wir diese Zahl auf fünf reduzieren können, geschweige denn auf zwei, eins oder null. Hinter der Lösung dieses Issues steckt viel Geld, aber es gibt auch ein sehr umfangreiches System, das entwickelt wurde, um diese Systeme sicher zu machen“, sagte er.

Sendhil Mullainathander Peter de Florez-Professor mit Doppelbesetzung in den MIT-Abteilungen für Wirtschaftswissenschaften und Elektrotechnik und Informatik (EECS), beschrieb eine Imaginative and prescient des Nutzens und Wachstums von KI, die Produktivitätsverbesserungen ermöglicht, warnte aber auch: „Ich denke, es lohnt sich sehr, Produktivitätsgewinne von Dingen zu unterscheiden, die tatsächlich langfristiges Wachstum vorantreiben.“

Wie auch immer, sagte Mullainathan, es sei klar, dass wir in eine Zeit großer Unterschiede in Bezug auf die Auswirkungen von KI auf die Belegschaft eintreten.

„Wenn Sie sagen würden: ‚Wie genau werden sich Unternehmen umstrukturieren?‘ Ich weiß es nicht. Aber wird es viele Umstrukturierungen geben? Es ist kaum zu glauben, dass es nicht viele Umstrukturierungen geben wird. Und in gewisser Weise ist es unglaublich aufschlussreich, wenn wir wissen, dass wir in eine Part hoher Varianz eintreten“, sagte er.

Demokratie und KI

Die zweite Sitzung des Tages konzentrierte sich auf die KI-Technologie und ihre Auswirkungen auf die Demokratie.

Chara Podimatadie Assistenzprofessorin für Karriereentwicklung der Klasse 1942 und Assistenzprofessorin für Operations Analysis und Statistik an der MIT Sloan Faculty of Administration, stellte ihre Forschung zur Prüfung großer Sprachmodelle auf Verzerrungen in Wahlinformationen vor.

„Algorithmen entscheiden derzeit über viele Dinge in unserem Leben“, sagte sie. „Was Chatbots und Wahlinformationen betrifft: Wenn ich zwei Personen nehme und sie mit demselben Chatbot interagieren … wie wird der Chatbot reagieren? Wie wird er die Informationen, die er diesen Personen gibt, personalisieren?“

Eine Längsschnittstudie mit 12 großen Fashions während der US-Präsidentschaftswahlsaison 2024 ergab, dass die Reaktionen je nach angegebener Demografie und politischen Neigungen dramatisch schwankten. Ihr Forschungsteam arbeitet derzeit an einer neuen Prüfung der US-Zwischenwahlen 2026 und nutzt dazu eine neu gestaltete Umfrage mit Beiträgen von Politikwissenschaftsexperten.

Während einer Podiumsdiskussion, die von Songyee Yoon, Gründerin und geschäftsführende Gesellschafterin von Principal Enterprise Companions und Mitglied der MIT Company, moderiert wurde, äußerten Experten ihre Besorgnis über das Potenzial von KI, demokratische Normen und Prozesse zu untergraben, untersuchten aber auch mögliche constructive Ergebnisse.

Bailey FlaniganTheodore T. Miller (1922), Professorin für Karriereentwicklung in der Abteilung für Politikwissenschaft, die eine gemeinsame Place am MIT Schwarzman Faculty of Computing mit EECS innehat, sagte, sie sei skeptisch gegenüber der Artwork und Weise, wie manche KI als Werkzeug einsetzen, das Menschen dazu bringen kann, schneller Entscheidungen zu treffen oder einen Konsens zu erzielen.

„Und es gibt einen Grund zu der Annahme, dass das schön ist, weil es effizienter ist. Es ist einfacher. Aber es gehen viele dieser prozeduralen Elemente der Demokratie verloren, die die Rituale sind, wie wir zusammenkommen und Entscheidungen treffen“, sagte sie. „Und ich denke, es ist ein Fehler, das zu vergessen, wenn wir anfangen, über Automatisierung nachzudenken.“

Charles Stewart IIIder Kenan Sahin (1963), angesehener Professor für Politikwissenschaft und Gründungsdirektor des MIT Election Information and Science Labsagte, eine Herausforderung bestehe darin, dass sich Regierungsstrukturen nicht im gleichen Tempo weiterentwickeln wie die Technologie.

Stewart sagte, seine größte Sorge sei das Potenzial der KI, während und nach Wahlen zu Chaos zu führen.

„Wenn etwas schief geht, kann es wirklich schlimm und wirklich schief gehen. Wenn eine Wahl in Frage gestellt wird, kann das zu Gewalt führen“, sagte Stewart.

„In den Low-Tech-Ära haben wir bereits erlebt, dass Wahlergebnisse manipuliert wurden. Was mich beunruhigt, ist, was ich am kommenden Wahltag und am Mittwoch danach beobachten werde und ob KI dazu beigetragen hat, irreversible Störungen im Wahlsystem herbeizuführen“, fügte er hinzu.

Lily Tsaider Ford-Professor für Politikwissenschaft und Direktor und Gründer des MIT Governance Lab (MIT GOV/LAB) sagte in vielerlei Hinsicht, dass KI den demokratischen Normen und Verpflichtungen widerspreche, die für eine gesunde Demokratie notwendig seien.

„Es ist wirklich wichtig, nicht nur im Hinblick auf Designprinzipien, sondern auch im Hinblick auf das Engagement von Designern, mit den Werten und Prinzipien vertraut zu sein, die charakterisieren, worauf Demokratie basiert: Entscheidungsfreiheit, politische Gleichheit, gegenseitiger Respekt, Inklusion und Autonomie“, sagte Tsai.

Tsai stellte außerdem fest, dass ihre Untersuchungen ergeben hätten, dass manche Menschen sich im Umgang mit Maschinen wohler fühlten. Sie beschrieb einen „sokratischen Dialog-Chatbot“, den ihr Group entwickelt hatte und der Menschen auffordert, die Gedanken hinter ihren Überzeugungen und Positionen zu artikulieren.

„Und das scheint interessanterweise tatsächlich ihre politische Place in diesem Prozess zu mildern“, sagte Tsai. „Es gibt additionally durchaus Beispiele dafür, wie KI constructive Auswirkungen auf die Demokratie haben kann. Aber es geht wirklich darum, mit den richtigen Prinzipien zu entwerfen und diese streng zu bewerten.“

Bild von Editor

# Einführung

In Python gibt es ein Konzept, das als objektorientierte Programmierung (OOP) bezeichnet wird. Dieses Programmierparadigma dreht sich um Daten und Objekte. Es funktioniert, indem es den verwandten Zustand (Attributen) und das Verhalten (Methoden) innerhalb der Klassen verringert und Objektinstanzen aus diesen Klassen erstellt.

Für viele Datenwissenschaftler ist Python die erste Programmiersprache, die sie lernen, und es wird zur Grundlage für die meisten Datenaufgaben, die sie übernehmen. OOP wird jedoch manchmal übersehen, da sich viele auf das Schreiben von Verfahrenscode konzentrieren, um sofortige Probleme zu lösen. Für Datenwissenschaftler ermöglicht OOP komplexe Arbeiten in überschaubare Komponenten. Durch die Strukturierung von Code in Klassen können Datenwissenschaftler Redundanz reduzieren und die Wartbarkeit verbessern.

# Klassen in Python

Klassen sind in Python einfach zu erstellen. Ein grundlegendes Beispiel ist unten gezeigt.

class Animal:
    def __init__(self, title, sound):
        self.title = title
        self.sound = sound

    def communicate(self):
        return f"{self.title} makes a sound {self.sound}."

Wir verwenden die Klassensyntax, um den Klassennamen („Tier“) zu definieren und das Konzept eines Tieres mit Eigenschaften zu erfassen, die wir als Parameter übergeben können, sowie eine Methode, die es anwenden kann.

Mit der obigen Klasse können wir Instanzen des Objekts erstellen.

canine = Animal("Canine", "Bark")
print(canine.communicate())

Die Ausgabe ist unten angezeigt.

Der Animal Die Klasse akzeptiert die beiden zuvor festgelegten Argumente, und das Objekt kann das verwenden communicate Methode, nachdem wir es instanziiert haben. Das ist die Kraft einer Klasse: Definieren Sie sie einmal und verwenden Sie sie in vielen Situationen wieder.

# Was sind Metaklasse?

Metaklasse geht weiter, indem sie kontrollieren, wie Klassen selbst erstellt werden. Sie können sich Metacklasse als Blaupausen für Klassen vorstellen, so wie Klassen Blaupausen für Objekte sind. Da ein Objekt eine Instanz einer Klasse ist, ist eine Klasse eine Instanz einer Metaklas. Metaklasse regulieren, wie sich Klassen verhalten.

Wenn wir eine Klasse erstellen, führt Python den Klassenkörper aus und übergibt das Ergebnis dann an die Metaklasse. Dies wird standardmäßig durch den integrierten Einbau behandelt sort Klasse. Durch Subklassigen sortWir können unsere eigenen Metaklassen erstellen und Methoden überschreiben, um die Erstellung der Klassen anzupassen.

Warum könnten wir eine Metaklasse wollen? Es gibt mehrere Gründe für die Arbeit von Datenwissenschaftlern, einschließlich:

• Bereitstellung eines Customary -Frameworks für alle nachfolgenden Klassen, die erstellt werden
• Sicherstellen, dass alle Klassen die erforderlichen Methoden definieren
• Vermeiden Sie wiederholtes Kesselplatten -Setup -Code

Mal sehen, wie der Python -Code für einen Metaclass funktioniert, und dann werden wir ihn aufschlüsseln.

# Metaklasse in Python

Wenn Sie eine Metaklas erstellen, sieht es so aus, als würde man eine reguläre Klasse erstellen, aber Sie erben von sortwie unten gezeigt.

class ExampleMetaclass(sort):
    def __new__(mcs, title, bases, namespace):
        def greet(self):
            return f"Hey from {self.__class__.__name__}!"
        namespace('greet') = greet
        return tremendous().__new__(mcs, title, bases, namespace)

Erstellen Sie als nächstes eine Klasse ähnlich dem vorherigen Beispiel, fügen Sie jedoch die Metaclass als zusätzlichen Parameter hinzu.

class Animal(metaclass=ExampleMetaclass):
    def __init__(self, title, sound):
        self.title = title
        self.sound = sound

    def communicate(self):
        return f"{self.title} makes a sound {self.sound}."

Dasselbe instanziieren Animal Objekt wie zuvor, verwenden Sie aber nun die Methode, die von der Metaklasse bereitgestellt wird.

canine = Animal("Canine", "Bark")
print(canine.greet())

Die Ausgabe ähnelt:

Wie Sie sehen können, die Animal Die Klasse fehlt anfangs a greet Methode, aber die Metaklas injiziert sie während der Erstellung in die Klasse. Lassen Sie es uns etwas weiter aufschlüsseln.

Erstens, um eine Metaklas zu erstellen, die wir von der erben sort Klasse von Python’s Constructed-Ins. sort ist die Standardmetaklasse für alle Klassen in Python und ermöglicht es uns zu steuern, wie neue Klassen erstellt werden.

Als nächstes die __new__ Die Methode in einer Metaklas wird aufgerufen, wenn eine neue Klasse erstellt wird. Die Parameter, die es empfängt, sind:

• mcs: Die Metaklas selbst
• title: Der Title der Klasse wird definiert (zum Beispiel „Tier“)
• bases: Ein Tupel von Basisklassen (die Klassen, aus denen die neue Klasse erbt)
• namespace: Ein Wörterbuch, das alle im Klassenkörper definierten Attribute und Methoden enthält

Mit diesen vier Parametern können wir steuern, wie die Metaclass die Zielklasse konstruiert.

Dann definieren wir das greet Funktion und in den Klassennamenspace einfügen. Auf diese Weise, greet wird Teil der Klasse und jede Klasse mit erstellt mit ExampleMetaclass wird es einschließen.

Zuletzt erstellt die Metaclass die neue Klasse, indem er die Superklasse anruft __new__ Verfahren.

Das ist die Essenz von Metaklasse in Python, und Sie können sie mit allen Methoden oder Regeln erweitern, die Sie zur Standardisierung und Steuerung der Klassenerstellung benötigen.

# Einpacken

Python wird von Datenwissenschaftlern häufig verwendet. Ein wertvolles Thema in Python ist eine objektorientierte Programmierung, insbesondere die Metaklasse. Durch die Verwendung von Metaklassen können wir den Klassenerstellungsprozess kontrollieren und ändern, wodurch die Konsistenz über die Codebasen hinweg aufrechterhalten und die Effizienz der Workflow verbessert wird.

Ich hoffe das hat geholfen!

Cornellius Yudha Wijaya ist ein Information Science Assistant Supervisor und Datenautor. Während er in Vollzeit bei Allianz Indonesien arbeitet, liebt er es, Python- und Datentipps über soziale Medien und das Schreiben von Medien zu teilen. Cornellius schreibt über eine Vielzahl von KI- und maschinellen Lernthemen.

Während eines Treffens der Klasse 6.C40/24.C40 (Ethik des Computer systems), Professor Armando Photo voltaic-Lezama stellt seinen Schülern die gleiche unmögliche Frage, dass er sich in der Forschung, die er mit der computergestützten Programmiergruppe am MIT leitet, oft fragt:

„Wie stellen wir sicher, dass eine Maschine das tut, was wir wollen, und nur das, was wir wollen?“

In diesem Second, was manche als das goldene Zeitalter der generativen KI betrachten, magazine dies wie eine dringende neue Frage erscheinen. Aber Photo voltaic-Lezama, der angesehene Professor für Pc am MIT, weist schnell darauf hin, dass dieser Kampf so alt ist wie die Menschheit selbst.

Er beginnt, den griechischen Mythos von König Midas, dem Monarchen, dem die gottähnliche Kraft zu erteilen, um alles in ein solides Gold zu verwandeln. Vorhersehbar conflict der Wunsch nach hinten los, als Midas versehentlich alle, die er liebte, in vergoldetes Stein verwandelte.

„Seien Sie vorsichtig, was Sie verlangen, denn es könnte auf eine Weise gewährt werden, die Sie nicht erwarten“, sagt er und warnt seine Schüler, viele von ihnen aufstrebende Mathematiker und Programmierer.

Er gräbt sich in MIT-Archive, um Folien von körnigen Schwarz-Weiß-Fotografien zu teilen, und erzählt die Geschichte der Programmierung. Wir hören von der Pygmalion-Maschine aus den 1970er Jahren, die unglaublich detaillierte Hinweise erforderte, bis die Computersoftware der späten 90er Jahre, die Groups von Ingenieuren und ein 800-seitiges Dokument zum Programm brachte.

Obwohl diese Prozesse in ihrer Zeit bemerkenswert sind, dauerten diese Prozesse zu lange, um Benutzer zu erreichen. Sie ließen keinen Raum für spontane Entdeckungen, Spielen und Innovationen.

Photo voltaic-Lezama spricht über die Risiken, moderne Maschinen zu bauen, die nicht immer die Hinweise oder die roten Linien eines Programmierers respektieren und die ebenso in der Lage sind, Schaden zu erreichen, wie das Leben zu retten.

Titus Roesler, Senior mit Hauptfach Elektrotechnik, nickt wissentlich. Roesler schreibt sein letztes Papier über die Ethik autonomer Fahrzeuge und wiegt, wer moralisch verantwortlich ist, wenn man hypothetisch einen Fußgänger trifft und tötet. Seine Argumentfragen, die Annahmen hinter den technischen Fortschritten zugrunde liegen und mehrere gültige Standpunkte berücksichtigen. Es stützt sich auf die Philosophiestheorie des Utilitarismus. Roesler erklärt: „Ungefähr nach dem Utilitarismus bringt die moralische Sache das Beste für die größte Anzahl von Menschen.“

MIT -Philosoph Brad SkowMit dem sich Photo voltaic-Lezama entwickelt hat und den Kurs untersteht, beugt sich vor und macht sich Notizen.

Eine Klasse, die technisches und philosophisches Fachwissen erfordert

Die Ethik des Computer systems, das erstmals im Herbst 2024 angeboten wurde, wurde durch die erstellt Gemeinsamkeiten für die ComputerbildungEine Initiative des MIT Schwarzman Faculty of Computing, das mehrere Abteilungen zusammenbringt, um neue Kurse zu entwickeln und zu unterrichten und neue Programme zu starten, die Computing mit anderen Disziplinen verbinden.

Die Ausbilder wechseln sich ab. Skow, die Laurance S. Rockefeller Professor für Philosophie, bringt die Linse seiner Disziplin für die Untersuchung der breiteren Auswirkungen der heutigen ethischen Themen, während Photo voltaic-Lezama, der auch stellvertretender Direktor und Chief Working Officer des MIT-Labors für Informatik- und künstliche Intelligenzlabor ist, Angebote ist, Angebote, Angebote, Angebote, Angebote, Angebote, Angebote Perspektive durch seine.

Skow und Photo voltaic-Lezama besuchen die Vorträge des anderen und passen ihre Comply with-up-Klassensitzungen als Antwort an. Die Einführung des Lernelements in Echtzeit hat sich für dynamischere und reaktionsschnelle Unterrichtsgespräche geführt. Eine Rezitation, um das Thema der Woche mit Doktoranden aus Philosophie oder Informatik und einer lebhaften Diskussion aufzubrechen, kombiniert den Kursinhalt.

„Ein Außenseiter könnte denken, dass dies eine Klasse sein wird, die sicherstellt, dass diese neuen Computerprogrammierer von MIT immer das Richtige tun“, sagt Skow. Die Klasse ist jedoch absichtlich so konzipiert, dass sie den Schülern eine andere Fähigkeiten beibringen.

Entschlossen, einen wirkungsvollen semesterlangen Kurs zu schaffen, der mehr als Vorlesungsstudenten über richtige oder falsche Vorlesungsstudenten machte, konzipierte der Philosophieprofessor Caspar Hare die Idee für die Ethik des Computer systems in seiner Rolle als Affiliate Dean der Soziale und ethische Verantwortlichkeiten des Computer systems. Hare rekrutierte Skow und Photo voltaic-Lezama als Hauptausbilder, da er wusste, dass sie etwas Tiefereres tun konnten.

„Über die Fragen zu denken, die in dieser Klasse auftreten, erfordert sowohl technisches als auch philosophisches Fachwissen. Es gibt keine anderen Klassen am MIT, die beide nebeneinander platzieren“, sagt Skow.

Genau das hat sich der Senior Alek Westover anmelden. Das Doppel -Main der Mathematik- und Informatik erklärt: „Viele Leute sprechen darüber, wie die Flugbahn von KI in fünf Jahren aussehen wird. Ich fand es wichtig, eine Klasse zu besuchen, die mir hilft, mehr darüber nachzudenken.“

Westover sagt, er habe sich aufgrund des Interesses an Ethik und dem Wunsch, das Recht von falsch zu unterscheiden, von der Philosophie angezogen. In Matheklassen hat er gelernt, eine Problemaussage aufzuschreiben und sofortige Klarheit darüber zu erhalten, ob er sie erfolgreich gelöst hat oder nicht. In der Ethik des Computer systems hat er jedoch gelernt, wie man schriftliche Argumente für „knifflige philosophische Fragen“ macht, die möglicherweise keine einzige richtige Antwort haben.

Zum Beispiel: „Ein Downside, über das wir uns Sorgen machen könnten, ist, was passiert, wenn wir mächtige KI -Agenten aufbauen, die einen Job machen können, den ein Mensch tun kann?“ Westover fragt. „Wenn wir in diesem Maße mit diesen AIs interagieren, sollten wir ihnen ein Gehalt zahlen? Wie sehr sollten wir uns um das kümmern, was sie wollen?“

Es gibt keine einfache Antwort, und Westover geht davon aus, dass er in Zukunft viele andere Dilemmata am Arbeitsplatz begegnen wird.

„Additionally zerstört das Web die Welt?“

Das Semester begann mit einem tiefen Eintauchen in das KI-Risiko oder mit der Vorstellung, dass „ob KI ein existenzielles Risiko für die Menschheit darstellt“, den freien Willen auspacken, die Wissenschaft, wie unser Gehirn Entscheidungen unter Unsicherheit trifft, und Debatten über die langfristigen Verbindlichkeiten, und Regulierung von AI. Eine zweite, längere Einheit in Bezug auf „das Web, das World Vast Net und die sozialen Auswirkungen technischer Entscheidungen“. Das Ende des Begriffs befasst sich mit Privatsphäre, Voreingenommenheit und Redefreiheit.

Ein Klassensthema widmete sich provokativ und fragte: „Zerstört das Web die Welt?“

Senior Caitlin Ogoe studiert in Kurs 6-9 (Berechnung und Wahrnehmung). In einer Umgebung zu sein, in der sie diese Artwork von Themen untersuchen kann, ist genau der Grund, warum sich die selbst beschriebenen „Technologieskeptiker“ im Kurs eingeschrieben haben.

Ogoe wuchs mit einer Mutter, die hörgeschädigt ist, und eine kleine Schwester mit einer Entwicklungsbehinderung zum Ausfallfamilienmitglied, dessen Aufgabe es conflict, Anbieter für technische Unterstützung oder Programme iPhones anzurufen. Sie nutzte ihre Fähigkeiten zu einem Teilzeitjob, der Handys repariert, was ihr den Weg ebnete, ein tiefes Interesse an der Berechnung und einen Weg zum MIT zu entwickeln. Ein prestigeträchtiges Sommerstipendium in ihrem ersten Jahr machte jedoch die Frage, wie die Verbraucher von der Technologie betroffen waren, die sie bei der Programmierung hielt.

„Alles, was ich mit Technologie gemacht habe, stammt aus der Perspektive von Menschen, Bildung und persönlicher Verbindung“, sagt Ogoe. „Dies ist eine Nische, die ich liebe. Nehmen Sie Geisteswissenschaften in Bezug auf öffentliche Ordnung, Technologie und Kultur zu einer meiner großen Leidenschaften, aber dies ist der erste Kurs, den ich besucht habe, der auch einen Philosophieprofessor betrifft.“

In der folgenden Woche hält Skows über die Rolle der Voreingenommenheit in der KI und Ogoe, die nächst .

SKOW greift sich mit der Untersuchung von Compas ein, einer kontroversen KI-Software program, die einen Algorithmus verwendet, um die Wahrscheinlichkeit vorherzusagen, dass Menschen, die wegen Verbrechen beschuldigt werden, erneut beleidigt werden. Nach a 2018 ProPublica -ArtikelEs conflict wahrscheinlich, dass Compas schwarze Angeklagte als zukünftige Kriminelle kennzeichneten und mit doppelt so hoch wie bei weißen Angeklagten falsch optimistic Ergebnisse gaben.

Die Unterrichtssitzung ist bestrebt, festzustellen, ob der Artikel die Schlussfolgerung garantiert, dass das Compas -System voreingenommen ist und eingestellt werden sollte. Dazu führt Skow zwei verschiedene Theorien zur Equity ein:

„Inhaltliche Equity ist die Idee, dass ein bestimmtes Ergebnis truthful oder unfair sein könnte“, erklärt er. „In prozessualer Equity geht es darum, ob das Verfahren, durch das ein Ergebnis erzeugt wird, truthful ist.“ Anschließend werden eine Vielzahl widersprüchlicher Kriterien der Equity eingeführt, und die Klasse diskutiert, welche plausibel waren und welche Schlussfolgerungen sie über das Compas -System rechtfertigten.

Später gehen die beiden Professoren nach oben nach Photo voltaic-Lezamas Büro, um zu beachten, wie die Übung an diesem Tag verlaufen conflict.

„Wer weiß?“ sagt Photo voltaic-Lezama. „Vielleicht in fünf Jahren werden alle darüber lachen, wie sich die Menschen über das existenzielle Risiko einer KI Sorgen gemacht haben über diese Probleme. “

Ist es besser als die Rastersuche?

Wenn ich merke, dass mein Modell überpasstich denke oft: „Es ist Zeit für eine Regulierung“. Aber wie entscheide ich, welche Regularisierungsmethode ich verwende (L1, L2) und welche Parameter ich wähle? Normalerweise führe ich eine Hyperparameteroptimierung mithilfe einer Rastersuche durch, um die Einstellungen auszuwählen. Was passiert jedoch, wenn die unabhängigen Variablen unterschiedliche Skalen oder unterschiedliche Einflussgrade haben? Kann ich ein Hyperparametergitter mit unterschiedlichen Regularisierungskoeffizienten für jede Variable entwerfen? Ist diese Artwork der Optimierung in hochdimensionalen Räumen möglich? Und gibt es different Möglichkeiten, die Regularisierung zu gestalten? Lassen Sie uns dies anhand eines hypothetischen Beispiels untersuchen.

Mein fiktives Beispiel ist ein Anwendungsfall einer binären Klassifizierung mit drei erklärenden Variablen. Jede dieser Variablen ist kategorial und verfügt über 7 verschiedene Kategorien. Mein reproduzierbarer Anwendungsfall ist dieser Notizbuch. Die Funktion, die den Datensatz generiert, ist die folgende:

import numpy as np
import pandas as pd
def get_classification_dataset():
n_samples = 200
cats = ("a", "b", "c", "d", "e", "f")
X = pd.DataFrame(
knowledge={
"col1": np.random.selection(cats, dimension=n_samples),
"col2": np.random.selection(cats, dimension=n_samples),
"col3": np.random.selection(cats, dimension=n_samples),
}
)
X_preprocessed = pd.get_dummies(X)
theta = np.random.multivariate_normal(
np.zeros(len(cats) * X.form(1)),
np.diag(np.array((1e-1) * len(cats) + (1) * len(cats) + (1e1) * len(cats))),
)
y = pd.Sequence(
knowledge=np.random.binomial(1, expit(np.dot(X_preprocessed.to_numpy(), theta))),
index=X_preprocessed.index,
)
return X_preprocessed, y

Zur Info habe ich bewusst drei verschiedene Werte für die Theta-Kovarianzmatrix ausgewählt, um den Nutzen der Laplace-Approximations-Bayes’schen Optimierungsmethode zu verdeutlichen. Wenn die Werte irgendwie ähnlich wären, wäre das Interesse gering.

Zusammen mit ein einfaches Basismodell, das den beobachteten Mittelwert vorhersagt Für den Trainingsdatensatz (der zu Vergleichszwecken verwendet wird) habe ich mich für den Entwurf eines etwas komplexeren Modells entschieden. Ich habe beschlossen, die drei unabhängigen Variablen einmalig zu kodieren und anzuwenden ein logistisches Regressionsmodell zusätzlich zu dieser grundlegenden Vorverarbeitung. Für die Regularisierung habe ich ein L2-Design gewählt und wollte mithilfe von zwei Techniken den optimalen Regularisierungskoeffizienten finden: Rastersuche Und Laplace-Approximierte Bayes’sche Optimierungwie Sie vielleicht schon erwartet haben. Schließlich habe ich das Modell anhand eines Testdatensatzes anhand von zwei Metriken (willkürlich ausgewählt) bewertet: Log-Verlust und AUC ROC.

Bevor wir die Ergebnisse präsentieren, werfen wir zunächst einen genaueren Blick auf das Bayes’sche Modell und wie wir es optimieren.

Im Bayes’schen Rahmen sind die Parameter keine festen Konstanten mehr, sondern Zufallsvariablen. Anstatt die Wahrscheinlichkeit zur Schätzung dieser unbekannten Parameter zu maximieren, optimieren wir nun die Posteriorverteilung der Zufallsparameter anhand der beobachteten Daten. Dies erfordert, dass wir das Design und die Parameter des Priors oft etwas willkürlich wählen. Es ist jedoch auch möglich, die Parameter des Priors selbst als Zufallsvariablen zu behandeln – wie in Beginnwo sich die Schichten der Unsicherheit immer wieder übereinander stapeln …

In dieser Studie habe ich das folgende Modell gewählt:

Ich habe logischerweise ein Bernouilli-Modell für Y_i | gewählt θ, eine zentrierte Normale, die einer L2-Regularisierung für θ | entspricht Σ und schließlich habe ich für Σ_i^{-1} ein Gamma-Modell gewählt. Ich habe mich dafür entschieden, die Präzisionsmatrix anstelle der Kovarianzmatrix zu modellieren, wie es in der Literatur traditionell üblich ist, wie im Scikit-Be taught-Benutzerhandbuch für die Bayes’sche lineare Regression (2).

Zusätzlich zu diesem geschriebenen Modell habe ich angenommen, dass Y_i und Y_j bedingt (von θ) unabhängig sind, ebenso wie Y_i und Σ.

Wahrscheinlichkeit

Gemäß dem Modell lässt sich die Wahrscheinlichkeit folglich wie folgt schreiben:

Zur Optimierung müssen wir quick alle Terme auswerten, mit Ausnahme von P(Y=y). Die Terme in den Zählern können mit dem gewählten Modell ausgewertet werden. Der verbleibende Time period im Nenner kann jedoch nicht. Hier ist die Laplace-Näherung kommt ins Spiel.

Laplace-Näherung

Um den ersten Time period des Nenners auszuwerten, können wir die Laplace-Näherung nutzen. Wir approximieren die Verteilung von θ | Y, Σ durch:

wobei θ* die Mode der Mode ist, ist die Dichteverteilung von θ | Y, Σ.

Auch wenn wir die Dichtefunktion nicht kennen, können wir den Hesse-Teil dank der folgenden Zerlegung berechnen:

Wir müssen nur die ersten beiden Terme des Zählers kennen, um den Hesse-Wert auszuwerten, was wir tun.

Für diejenigen, die an weiteren Erklärungen interessiert sind, empfehle ich Teil 4.4, „The Laplace Approximation“, aus „Sample Recognition and Machine Studying“ von Christopher M. Bishop (1). Es hat mir sehr geholfen, die Annäherung zu verstehen.

Laplace-Annäherungswahrscheinlichkeit

Schließlich ist die Laplace-geschätzte Optimierungswahrscheinlichkeit:

Sobald wir die Dichtefunktion von θ | approximieren Y, Σ, wir könnten endlich die Wahrscheinlichkeit bei jedem beliebigen θ auswerten, wenn die Näherung überall genau wäre. Der Einfachheit halber und weil die Näherung nur in der Nähe des Modus genau ist, bewerten wir die angenäherte Wahrscheinlichkeit bei θ*.

Nachfolgend finden Sie eine Funktion, die diesen Verlust für ein gegebenes (skalares) σ²=1/p auswertet (zusätzlich zu den gegebenen beobachteten Werten X und y und den Entwurfswerten α und β).

import numpy as np
from scipy.stats import gamma
from module.bayesian_model import BayesianLogisticRegression
def loss(p, X, y, alpha, beta):
# computation of the loss for given values:
# - 1/sigma² (named p for precision right here)
# - X: matrix of options
# - y: vector of observations
# - alpha: prior Gamma distribution alpha parameter over 1/sigma²
# - beta: prior Gamma distribution beta parameter over 1/sigma²
n_feat = X.form(1)
m_vec = np.array((0) * n_feat)
p_vec = np.array(p * n_feat)
# computation of theta*
res = reduce(
BayesianLogisticRegression()._loss,
np.array((0) * n_feat),
args=(X, y, m_vec, p_vec),
methodology="BFGS",
jac=BayesianLogisticRegression()._jac,
)
theta_star = res.x
# computation the Hessian for the Laplace approximation
H = BayesianLogisticRegression()._hess(theta_star, X, y, m_vec, p_vec)
# loss
loss = 0
## first two phrases: the log loss and the regularization time period
loss += baysian_model._loss(theta_star, X, y, m_vec, p_vec)
## third time period: prior distribution over sigma, written p right here
out -= gamma.logpdf(p, a = alpha, scale = 1 / beta)
## fourth time period: Laplace approximated final time period
out += 0.5 * np.linalg.slogdet(H)(1) - 0.5 * n_feat * np.log(2 * np.pi)
return out

In meinem Anwendungsfall habe ich mich für die Optimierung mittels entschieden Adam-Optimierer, welcher Code daraus übernommen wurde Repo.

def adam(
enjoyable,
x0,
jac,
args=(),
learning_rate=0.001,
beta1=0.9,
beta2=0.999,
eps=1e-8,
startiter=0,
maxiter=1000,
callback=None,
**kwargs
):
"""``scipy.optimize.reduce`` suitable implementation of ADAM -
(http://arxiv.org/pdf/1412.6980.pdf).
Tailored from ``autograd/misc/optimizers.py``.
"""
x = x0
m = np.zeros_like(x)
v = np.zeros_like(x)
for i in vary(startiter, startiter + maxiter):
g = jac(x, *args)
if callback and callback(x):
break
m = (1 - beta1) * g + beta1 * m  # first  second estimate.
v = (1 - beta2) * (g**2) + beta2 * v  # second second estimate.
mhat = m / (1 - beta1**(i + 1))  # bias correction.
vhat = v / (1 - beta2**(i + 1))
x = x - learning_rate * mhat / (np.sqrt(vhat) + eps)
i += 1
return OptimizeResult(x=x, enjoyable=enjoyable(x, *args), jac=g, nit=i, nfev=i, success=True)

Für diese Optimierung benötigen wir die Ableitung des vorherigen Verlusts. Da wir keine analytische Kind haben können, habe ich mich entschieden, eine numerische Näherung der Ableitung zu verwenden.

Sobald das Modell anhand des Trainingsdatensatzes trainiert wurde, müssen Vorhersagen zum Bewertungsdatensatz getroffen werden, um dessen Leistung zu bewerten und verschiedene Modelle zu vergleichen. Es ist jedoch nicht möglich, die tatsächliche Verteilung eines neuen Punktes direkt zu berechnen, da die Berechnung schwierig ist.

Es ist möglich, die Ergebnisse anzunähern mit:

angesichts:

Ich habe einen nicht aussagekräftigen Prior der Präzisions-Zufallsvariablen vorgezogen. Das naive Modell schneidet mit einem logarithmischen Verlust von 0,60 und einem AUC-ROC von 0,50 schlecht ab. Das zweite Modell schneidet mit einem Log-Verlust von 0,44 und einem AUC-ROC von 0,83 besser ab, beides bei Hyperoptimierung mit Rastersuche und Bayes’scher Optimierung. Dies weist darauf hin, dass das logistische Regressionsmodell, das die abhängigen Variablen berücksichtigt, dem naiven Modell überlegen ist. Allerdings bietet die Verwendung der Bayes’schen Optimierung gegenüber der Rastersuche keinen Vorteil, daher werde ich vorerst mit der Rastersuche fortfahren. Danke fürs Lesen.

… Aber warte, denke ich. Warum werden meine Parameter mit demselben Koeffizienten reguliert? Sollte mein Prior nicht von den zugrunde liegenden abhängigen Variablen abhängen? Möglicherweise könnten die Parameter für die erste abhängige Variable höhere Werte annehmen, während die für die zweite abhängige Variable mit ihrem geringeren Einfluss näher bei Null liegen sollten. Lassen Sie uns diese neuen Dimensionen erkunden.

Bisher haben wir zwei Techniken betrachtet, die Rastersuche und die Bayes’sche Optimierung. Wir können dieselben Techniken in höheren Dimensionen anwenden.

Die Berücksichtigung neuer Dimensionen könnte die Anzahl der Knoten meines Gitters dramatisch erhöhen. Aus diesem Grund ist die Bayes’sche Optimierung in höheren Dimensionen sinnvoll, um die besten Regularisierungskoeffizienten zu erhalten. Im betrachteten Anwendungsfall habe ich angenommen, dass es drei Regularisierungsparameter gibt, einen für jede unabhängige Variable. Nachdem ich eine einzelne Variable codiert hatte, ging ich davon aus, dass die generierten neuen Variablen alle denselben Regularisierungsparameter hatten. Daher beträgt die Gesamtzahl der Regularisierungsparameter 3, auch wenn mehr als 3 Spalten als Eingaben für die logistische Regression vorhanden sind.

Ich habe die vorherige Verlustfunktion mit dem folgenden Code aktualisiert:

import numpy as np
from scipy.stats import gamma
from module.bayesian_model import BayesianLogisticRegression
def loss(p, X, y, alpha, beta, X_columns, col_to_p_id):
# computation of the loss for given values:
# - 1/sigma² vector (named p for precision right here)
# - X: matrix of options
# - y: vector of observations
# - alpha: prior Gamma distribution alpha parameter over 1/sigma²
# - beta: prior Gamma distribution beta parameter over 1/sigma²
# - X_columns: listing of names of X columns
# - col_to_p_id: dictionnary mapping a column title to a p index
# as a result of many column names can share the identical p worth
n_feat = X.form(1)
m_vec = np.array((0) * n_feat)
p_list = ()
for col in X_columns:
p_list.append(p(col_to_p_id(col)))
p_vec = np.array(p_list)
# computation of theta*
res = reduce(
BayesianLogisticRegression()._loss,
np.array((0) * n_feat),
args=(X, y, m_vec, p_vec),
methodology="BFGS",
jac=BayesianLogisticRegression()._jac,
)
theta_star = res.x
# computation the Hessian for the Laplace approximation
H = BayesianLogisticRegression()._hess(theta_star, X, y, m_vec, p_vec)
# loss
loss = 0
## first two phrases: the log loss and the regularization time period
loss += baysian_model._loss(theta_star, X, y, m_vec, p_vec)
## third time period: prior distribution over 1/sigma² written p right here
## there's now a sum as p is now a vector
out -= np.sum(gamma.logpdf(p, a = alpha, scale = 1 / beta))
## fourth time period: Laplace approximated final time period
out += 0.5 * np.linalg.slogdet(H)(1) - 0.5 * n_feat * np.log(2 * np.pi)
return out

Bei diesem Ansatz lauten die am Testdatensatz ausgewerteten Metriken wie folgt: 0,39 und 0,88, was besser ist als das ursprüngliche Modell, das mithilfe einer Rastersuche und eines Bayes’schen Ansatzes mit nur einem einzigen Prior für alle unabhängigen Variablen optimiert wurde.

Damit kann der Anwendungsfall reproduziert werden Notizbuch.

Ich habe ein Beispiel erstellt, um die Nützlichkeit der Technik zu veranschaulichen. Allerdings konnte ich keinen geeigneten realen Datensatz finden, um sein Potenzial vollständig zu demonstrieren. Während ich mit einem tatsächlichen Datensatz arbeitete, konnte ich aus der Anwendung dieser Technik keine nennenswerten Vorteile ziehen. Wenn Sie auf eines stoßen, lassen Sie es mich bitte wissen – ich würde mich freuen, eine reale Anwendung dieser Regularisierungsmethode zu sehen.

Zusammenfassend lässt sich sagen, dass die Verwendung der Bayes’schen Optimierung (bei Bedarf mit Laplace-Näherung) zur Bestimmung der besten Regularisierungsparameter eine gute Different zu herkömmlichen Methoden zur Optimierung von Hyperparametern sein kann. Durch die Nutzung probabilistischer Modelle reduziert die Bayes’sche Optimierung nicht nur den Rechenaufwand, sondern erhöht auch die Wahrscheinlichkeit, optimale Regularisierungswerte zu finden, insbesondere in hohen Dimensionen.

1. Christopher M. Bishop. (2006). Mustererkennung und maschinelles Lernen. Springer.
2. Bayesian Ridge Regression Scikit-Be taught-Benutzerhandbuch: https://scikit-learn.org/1.5/modules/linear_model.html#bayesian-ridge-regression

Die NLP-Technologie gewinnt immer mehr an Bedeutung. Die Kombination von Informatik, Informationstechnik und künstlicher Intelligenz kann möglicherweise Sprachbarrieren beseitigen. Mit der NLP-Technologie können alle Parteien unabhängig von der für die Kommunikation verwendeten Sprache die Informationen in der ihnen bekannten Sprache anhören und lesen.

Pure Language Processing (NLP) trainiert Laptop, menschliche Sprachen zu verstehen. Es nutzt maschinelles Lernen, um kontinuierlich zu lernen und mehr Wissen zu erlangen. Dadurch wird die NLP-KI-Kombination immer intelligenter. Durch die Nutzung seiner Fähigkeiten, die ebenfalls zunehmend zunehmen, wird es leistungsfähiger und fortschrittlicher werden.

Was ist Pure Language Processing (NLP)?

Die Verarbeitung natürlicher Sprache ist ein Zweig der künstlichen Intelligenz, der seine Fähigkeiten nutzt, um Linguistik zu verstehen und intelligente Computerprogramme zu erstellen. Diese Programme sind in der Lage, Textual content und gesprochene Kommunikation wie Menschen zu verstehen. Aber die NLP-Technologie ist in der Lage, mehrere Sprachen gleichzeitig zu lernen und zu verstehen und sie in die Sprache Ihrer Wahl zu übersetzen.

Der NLP-Technologie kombiniert Computerlinguistik und regelbasierte Modellierung der Sprache mit maschinellem Lernen und Deep Studying. Auf diese Weise kann ein Laptop den Textual content oder das Audio verstehen, um ihn dann in eine andere Sprache zu übersetzen.

Auch heute noch haben wir mehrere Beispiele für NLP in der Praxis, z Siri, Google Assistant, Google Übersetzer, und einige Autosuggestions-Instruments. Die von Grammarly beim Schreiben von E-Mails oder in Suchmaschinen bereitgestellten Vorschläge werden alle mit der NLP-Technologie aktiviert.

Wie funktioniert die NLP-Technologie?

Die NLP-Technologie ermöglicht es einem Computerprogramm, menschliche Texte und Sprache zu verstehen. Da Laptop nur die binäre Sprache verstehen, die aus Nullen und Einsen besteht, brauchten wir ein System, um einen Laptop zunächst dazu zu bringen, Wörter zu verstehen.

Hierzu wird die Wortdarstellung genutzt, bei der Wörter in die Computersprache kodiert werden. Zu diesem Zweck werden mehrere Techniken verwendet, und One-Sizzling ist eine dieser Techniken.

Darüber hinaus wird eine Reihe von NLP-Techniken verwendet, um einem Laptop zu helfen, die menschliche Sprache zu verstehen. Dazu gehören:

• Stemming: Ein Prozess, bei dem ähnliche Wörter von Remaining auf ihr Ursprungswort gekürzt werden, z. B. Finalize, indem Alphabete nacheinander entfernt werden.
• Lemmatisierung: Hierbei handelt es sich um eine Technik, bei der die Wörter ausgehöhlt werden, um ihre bedeutungsvolle Grundstruktur zu finden.
• Tokenisierung: Bei dieser Technik werden Sätze in kleinere Blöcke zerlegt, um daraus Wörter, Symbole und Zahlen zu identifizieren.
• Stimmungsanalyse: Hierbei versucht ein Laptop, den Ton und die Emotion hinter dem Satz zu identifizieren.
• Begriffsklärung: Diese Technik wird verwendet, um festzustellen, ob dasselbe Wort unterschiedliche Bedeutungen hat, wenn es in verschiedenen Kontexten verwendet wird.
• Wortart-Tagging (POS): POS-Tagging wird verwendet, um jedes Wort im Textual content mit Anmerkungen zu versehen. Dazu gehört die Identifizierung von Verben, Adverbien, Substantiven, Adjektiven und allen anderen Wortarten.

Zusätzlich zu diesen Techniken verwendet ein NLP-Programm auch Algorithmen zum Verstehen von Textual content und Sprache, die von Menschen erstellt wurden. Das regelbasierte System wird verwendet, um die Regeln für die Linguistik zur Datenanalyse festzulegen.

Maschinelles Lernen ist ein wichtiger Teil des NLP, da es dazu dient, Trainingsdaten in das Computerprogramm einzuspeisen. Anhand dieser Daten kann das NLP-Programm seine Textual content- und Spracherkennungsmuster anpassen.

(Lesen Sie auch: Die 15 besten NLP-Datensätze zum Trainieren Ihrer NLP-Modelle)

Maschinelle Übersetzung für den Aufbau von NLP

Können Sie sich vorstellen, wie führende Persönlichkeiten der Welt an Treffen teilnehmen können, bei denen jeder seine Sprache spricht? Diese Treffen verfügen über ein Simultandolmetschersystem, das heißt, Computerprogramme und menschliche Dolmetscher arbeiten zusammen, um die Rede zu übersetzen und sie dann bei Bedarf in andere Sprachen umzuwandeln.

Während die Beseitigung aller Sprachbarrieren derzeit das ultimative Ziel der NLP-Technologie sein magazine, wächst und schreitet diese Technologie immer noch voran. Die NLP-Technologie macht dies durch den Einsatz maschineller Übersetzung möglich, bei der im Wesentlichen ein Computerprogramm zum Übersetzen von Textual content und Sprache verwendet wird.

Ausgehend von einer Section, in der Ungenauigkeiten im Vordergrund standen, hat die maschinelle Übersetzung durch Neural Machine Translation (NMT) Verbesserungen erfahren. NMT hat die Funktionsweise von NLP weiter verbessert und dadurch seine Übersetzungsfähigkeiten verbessert.

Hier sind die Vorteile der maschinellen Übersetzung im NLP:

• NLP-Programme können jetzt Bücher, Web sites und Produktdetails in Sekundenschnelle lesen und übersetzen.
• Es hat die Kosten und den Aufwand für die Übersetzung erheblich reduziert.
• Auch die Genauigkeit hat sich durch den Einsatz maschineller Lernalgorithmen erhöht.
• Unternehmen können den Übersetzungsprozess jetzt an ihre Anforderungen anpassen.

Dies ist möglich, weil NMT Deep-Studying-Methoden wie rekurrente neuronale Netze (RNN) und Aufmerksamkeitsmechanismen nutzt. Diese verbessern die Fähigkeiten eines NLP-Programms und erhöhen dessen Verständnis für sprachliche Regeln, Muster und die Verarbeitungsgeschwindigkeit für lange Sätze und Sätze mit komplexen Strukturen.

NMT hilft einem Programm, Wörter in Vektoren umzuwandeln und semantisch ähnliche Wörter zusammenzufügen. Das Programm generiert eine Folge von Vektoren oder Wörtern und generiert einen Satz. Von hier aus verwendet es das Encoder-Decoder-Framework, um den Eingabesatz in einem Vektorraum abzubilden, und der Decoder sendet den übersetzten Satz an die Schnittstelle.

Abschluss

Die Kombination von NLP, NMT, neuronalen Netzen und Deep-Studying-Mechanismen bringt erhebliche Verbesserungen bei der Textual content- und Spracherkennung und -übersetzung. Trotz aller Fortschritte in diesem Bereich sind menschliche Dolmetscher und Redakteure erforderlich, um das Gleichgewicht zu wahren. Für Unternehmen und Unternehmen, die ein eigenes Dolmetschersystem benötigen, wenden Sie sich an Shaip, um maßgeschneiderte KI-basierte Konversationslösungen mit NLP und maschineller Übersetzung zu erhalten.

Eine Python-Analyse von MIMIC-IV-Gesundheitsdaten (DREAMT), um Erkenntnisse über Faktoren zu gewinnen, die Schlafstörungen beeinflussen.

14 Min. Lektüre

·

Vor 11 Stunden

In diesem Artikel werde ich die Informationen der Teilnehmer aus dem DREAMED-Datensatz analysieren, um Zusammenhänge zwischen Schlafstörungen wie Schlafapnoe, Schnarchen, Atembeschwerden, Kopfschmerzen, Stressed-Legs-Syndrom (RLS), Schnauben und Teilnehmermerkmalen wie Alter, Geschlecht, Physique-Mass-Index (BMI), Arousal-Index, mittlere Sauerstoffsättigung (Mean_SaO2), Krankengeschichte, obstruktiver Apnoe-Hypopnoe-Index (OAHI) und Apnoe-Hypopnoe-Index (AHI).

Bei den Teilnehmern handelt es sich hier um diejenigen, die an der DREAMED-Studie teilgenommen haben.

Das Ergebnis wird ein umfassender Datenanalysebericht mit Visualisierungen, Erkenntnissen und Schlussfolgerungen sein.

Ich werde ein Jupyter-Pocket book mit Python-Bibliotheken wie Pandas, Numpy, Matplotlib und Seaborn verwenden.

Die für diese Analyse verwendeten Daten stammen von DREAMT: Dataset for Actual-time Sleep Stage EstimAtion utilizing Multisensor Wearable Know-how 1.0.1. DREAMED ist Teil der von PhysioNet gehosteten MIMIC-IV-Datensätze.