Predicción conforme: A Gentle Introduction

Título original:

Conformal Prediction: A Gentle Introduction

Contenido del libro:

Los modelos de aprendizaje automático de caja negra se utilizan ahora de forma rutinaria en entornos de alto riesgo, como los diagnósticos médicos, que exigen la cuantificación de la incertidumbre para evitar los consiguientes fallos del modelo. La predicción conforme es un paradigma fácil de utilizar para crear conjuntos/intervalos de incertidumbre estadísticamente rigurosos para las predicciones de dichos modelos. Se puede utilizar la predicción conforme con cualquier modelo preentrenado, como una red neuronal, para producir conjuntos que contengan la verdad básica con una probabilidad especificada por el usuario, como el 90%. Es fácil de entender y de utilizar y, en general, se aplica de forma natural a los problemas que surgen en los campos de la visión por ordenador, el procesamiento del lenguaje natural y el aprendizaje profundo por refuerzo, entre otros.

En esta introducción práctica, los autores proporcionan al lector una comprensión práctica de la predicción conforme y de las técnicas relacionadas de cuantificación de la incertidumbre sin distribución. Guían al lector a través de la teoría práctica y ejemplos de predicción conforme y describen sus extensiones a tareas complejas de aprendizaje automático que implican salidas estructuradas, cambio de distribución, series temporales, valores atípicos, modelos que se abstienen, etc. A lo largo del libro hay muchas ilustraciones explicativas, ejemplos y ejemplos de código en Python. Con cada ejemplo de código viene un cuaderno Jupyter que implementa el método en un ejemplo de datos reales.

Este tutorial práctico, lleno de ejemplos prácticos y accesibles, es una lectura esencial para todos los estudiantes, profesionales e investigadores que trabajan en todo tipo de sistemas que despliegan técnicas de aprendizaje automático.