Embracing Uncertainty: Einführung in Probabilistic Programming

Unsicherheit ist ein ständiger Begleiter von Machine-Learning-Modellen. In vielen Fällen wird dieser Aspekt hinter Modellannahmen versteckt. Gleichzeitig wird die korrekte Interpretation unserer Prognosen immer wichtiger – auch durch das "right to an explanation" der Datenschutzgrundverordnung.

Abhilfe können Probabilistic-Programming-Frameworks schaffen. Beispiele sind PyMC3 und Edward. Probabilistische Modelle sind vereinfacht gesagt Modelle, bei denen für die Gewichte keine skalaren Werte, sondern statistische Verteilungen verwendet werden. Dies erlaubt eine umfassendere Interpretation der erstellten Modelle und eine verbesserte Abschätzung der Unsicherheit.

Vorkenntnisse
Kenntnisse im Bereich Machine Learning

Lernziele
In dem Vortrag wird eine Einführung in gängige Frameworks in Python gegeben und aufgezeigt, wie Modelle definiert, trainiert und interpretiert werden können.

// Florian Müller

ist Wirtschaftsinformatiker und arbeitet als Senior Data Scientist/Engineer in Hamburg. Er beschäftigt sich mit der Anwendung von Machine-Learning-Verfahren im wirtschaftlichen Kontext, ihrem Deployment in produktiven Umgebungen und dem damit verbundenen Monitoring und Interpretieren der laufenden Modelle.