Algorithmic Learning in a Random World

این کتاب در مورد پیش‌بینی منسجم است، رویکردی به پیش‌بینی که در اواخر دهه 1990 در یادگیری ماشینی ایجاد شد. ویژگی اصلی پیش‌بینی منسجم، برخورد اصولی با قابلیت اطمینان پیش‌بینی‌ها است. الگوریتم‌های پیش‌بینی توصیف‌شده — پیش‌بینی‌کننده‌های منطبق - از این نظر معتبر هستند که قابلیت اطمینان پیش‌بینی‌های خود را به‌گونه‌ای ارزیابی می‌کنند که نه بیش از حد بدبینانه و نه بیش از حد خوش‌بینانه باشد (این دومی به‌ویژه خطرناک است). این رویکرد هنوز به اندازه کافی انعطاف‌پذیر است تا بیشتر روش‌های قدرتمند یادگیری ماشین را در خود جای دهد. این کتاب هم پیش‌بینی‌کننده‌های هم‌شکل کلیدی و هم تحلیل ریاضی ویژگی‌های آن‌ها را پوشش می‌دهد.

یادگیری الگوریتمی در یک جهان تصادفی علاوه بر اثبات‌های اعتبار دارد. ، نتایج در مورد کارایی پیش بینی کننده های منسجم است. تنها فرض مورد نیاز برای اعتبار، "تصادفی" است (الگوریتم پیش‌بینی با مثال‌های مستقل و توزیع شده یکسان ارائه می‌شود). در فصل‌های بعدی، حتی فرض تصادفی بودن به طور قابل‌توجهی راحت شده است. نتایج جالبی در مورد کارایی هم به صورت تصادفی و هم تحت فرضیات قوی‌تر به دست می‌آیند.

از زمان انتشار نسخه اول در سال 2005، پیش‌بینی هم‌نوع کاربردهای متعددی در پزشکی و صنعت پیدا کرده است و در حال تبدیل شدن به آن است. یک تکنیک محبوب یادگیری ماشینی این ویرایش دوم شامل سه فصل جدید است. یکی در مورد توزیع‌های پیش‌بینی منسجم است، که آموزنده‌تر از پیش‌بینی‌های مجموعه‌ای است که توسط پیش‌بینی‌کننده‌های منسجم استاندارد تولید می‌شود. مورد دیگر در مورد کارایی روش های آزمایش فرض تصادفی بودن بر اساس پیش بینی همسان است. سومین فصل جدید، روش‌های تست هم‌نوع را برای محافظت از الگوریتم‌های یادگیری ماشینی در برابر تغییرات در توزیع داده‌ها مهار می‌کند. علاوه بر این، فصل‌های موجود اصلاح، به‌روزرسانی و گسترش یافته‌اند.

This book is about conformal prediction, an approach to prediction that originated in machine learning in the late 1990s. The main feature of conformal prediction is the principled treatment of the reliability of predictions. The prediction algorithms described ― conformal predictors ― are provably valid in the sense that they evaluate the reliability of their own predictions in a way that is neither over-pessimistic nor over-optimistic (the latter being especially dangerous). The approach is still flexible enough to incorporate most of the existing powerful methods of machine learning. The book covers both key conformal predictors and the mathematical analysis of their properties.

Algorithmic Learning in a Random World contains, in addition to proofs of validity, results about the efficiency of conformal predictors. The only assumption required for validity is that of "randomness" (the prediction algorithm is presented with independent and identically distributed examples); in later chapters, even the assumption of randomness is significantly relaxed. Interesting results about efficiency are established both under randomness and under stronger assumptions.

Since publication of the First Edition in 2005 conformal prediction has found numerous applications in medicine and industry, and is becoming a popular machine-learning technique. This Second Edition contains three new chapters. One is about conformal predictive distributions, which are more informative than the set predictions produced by standard conformal predictors. Another is about the efficiency of ways of testing the assumption of randomness based on conformal prediction. The third new chapter harnesses conformal testing procedures for protecting machine-learning algorithms against changes in the distribution of the data. In addition, the existing chapters have been revised, updated, and expanded.