論文の概要: Machine Learning and Deep Learning -- A review for Ecologists
- arxiv url: http://arxiv.org/abs/2204.05023v1
- Date: Mon, 11 Apr 2022 11:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 00:50:34.863058
- Title: Machine Learning and Deep Learning -- A review for Ecologists
- Title(参考訳): 機械学習とディープラーニング - 生態学者へのレビュー
- Authors: Maximilian Pichler and Florian Hartig
- Abstract要約: 機械学習(ML)、ディープラーニング(DL)、人工知能(AI)は近年急速に増加している。
人気が高まっているにもかかわらず、MLアルゴリズムとDLアルゴリズムの内部動作は不透明であると見なされている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The popularity of Machine learning (ML), Deep learning (DL), and Artificial
intelligence (AI) has sharply risen in recent years. Despite their spike in
popularity, the inner workings of ML and DL algorithms are perceived as opaque,
and their relationship to classical data analysis tools remains debated. It is
often assumed that ML and DL excel primarily at making predictions. Recently,
however, they have been increasingly used for classical analytical tasks
traditionally covered by statistical models. Moreover, recent reviews on ML
have focused exclusively on DL, missing out on synthesizing the wealth of ML
algorithms with different advantages and general principles. Here, we provide a
comprehensive overview of ML and DL, starting with their historical
developments, their algorithm families, their differences from traditional
statistical tools, and universal ML principles. We then discuss why and when ML
and DL excel at prediction tasks, and where they could offer alternatives to
traditional statistical methods for inference, highlighting current and
emerging applications for ecological problems. Finally, we summarize emerging
trends, particularly scientific and causal ML, explainable AI, and responsible
AI that may significantly impact ecological data analysis in the future.
- Abstract(参考訳): 近年、機械学習(ML)、ディープラーニング(DL)、人工知能(AI)の人気が高まっている。
mlアルゴリズムとdlアルゴリズムの内部動作は不透明であり、古典的なデータ分析ツールとの関係については議論が続いている。
MLとDLは主に予測を行うのに優れていると仮定されることが多い。
しかし、近年は、伝統的に統計モデルによってカバーされた古典的分析タスクに益々使われている。
さらに、MLに関する最近のレビューはDLのみに焦点を当てており、さまざまな利点と一般的な原則でMLアルゴリズムの豊富な合成を欠いている。
ここでは,ML と DL の総合的な概要について述べる。その歴史的発展,アルゴリズムファミリー,従来の統計ツールとの差異,ユニバーサルML の原則などである。
次に, ml と dl が予測タスクに優れている理由と, 従来の統計的推論手法に代わる選択肢を提供し, 生態学的問題に対する現在および新興の応用を強調する。
最後に、新たなトレンド、特に科学的および因果的ML、説明可能なAI、そして将来生態学的データ分析に大きな影響を与える可能性のある責任あるAIを要約する。
関連論文リスト
- Knowledge Editing for Large Language Models: A Survey [51.01368551235289]
大規模言語モデル(LLM)の大きな欠点の1つは、事前学習に要する計算コストである。
知識に基づくモデル編集(KME)が注目を集めており、特定の知識を組み込むためにLLMを正確に修正することを目的としている。
論文 参考訳(メタデータ) (2023-10-24T22:18:13Z) - Machine Learning for Economics Research: When What and How? [0.0]
本レビューでは,1)MLが経済学で使用される場合,(2)MLモデルが一般的に好まれるか,(3)経済的応用にどのように使用されるか,という3つの重要な疑問に焦点をあてる。
このレビューは、MLが非古典的データや非構造化データを処理したり、強い非線形性を捉えたり、予測精度を向上させるために特に使われていることを強調している。
論文 参考訳(メタデータ) (2023-03-31T19:21:56Z) - Interpretability and accessibility of machine learning in selected food
processing, agriculture and health applications [0.0]
MLベースのシステムの解釈可能性の欠如は、これらの強力なアルゴリズムの普及の大きな障害である。
自動モデル設計によるMLアクセシビリティ向上のために、新たなテクニックが登場している。
本稿では,グローバル問題における機械学習の解釈可能性とアクセシビリティ向上に向けた取り組みについて概説する。
論文 参考訳(メタデータ) (2022-11-30T02:44:13Z) - Logic-Based Explainability in Machine Learning [0.0]
最も成功した機械学習モデルの運用は、人間の意思決定者にとって理解できない。
近年,MLモデルを説明するためのアプローチの開発が試みられている。
本稿では,MLモデルの厳密なモデルに基づく説明を計算するための研究成果について概説する。
論文 参考訳(メタデータ) (2022-10-24T13:43:07Z) - Provable Generalization of Overparameterized Meta-learning Trained with
SGD [62.892930625034374]
我々は、広く使われているメタラーニング手法、モデル非依存メタラーニング(MAML)の一般化について研究する。
我々は、MAMLの過大なリスクに対して、上界と下界の両方を提供し、SGDダイナミクスがこれらの一般化境界にどのように影響するかをキャプチャする。
理論的知見は実験によってさらに検証される。
論文 参考訳(メタデータ) (2022-06-18T07:22:57Z) - Forecast Evaluation for Data Scientists: Common Pitfalls and Best
Practices [4.2951168699706646]
本稿では,全体予測プロセスにおける最も重要なステップの1つ,すなわち評価について,チュートリアルライクにまとめる。
非正規性や非定常性といった時系列の異なる問題特性について詳述する。
予測評価のベストプラクティスは、データのパーティショニング、エラー計算、統計的テストなど、さまざまなステップについて概説されている。
論文 参考訳(メタデータ) (2022-03-21T03:24:46Z) - Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。
一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。
我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文 参考訳(メタデータ) (2021-06-09T05:56:42Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳(メタデータ) (2020-10-14T13:14:14Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z) - Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。
本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
論文 参考訳(メタデータ) (2020-05-17T22:59:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。