covid-19 مدل سازی ، Youyang Gu ، یادگیری ماشین ، علم داده


وی گفت: “روشن شده است كه ما در سال 2021 حداقل در كل كشور به مصونیت گله نخواهیم رسید.” “و من فکر می کنم مهم است ، به خصوص اگر سعی در ایجاد اعتماد به نفس دارید ، ایجاد مسیرهای معقول تا زمانی که می توانیم به شرایط عادی برگردیم. ما نباید آن را به هدفی غیر واقعی مانند دستیابی به مصونیت گله گره بزنیم. من هنوز هم با احتیاط خوش بین هستم که پیش بینی اولیه من در ماه فوریه برای بازگشت به حالت عادی در تابستان معتبر است. “

در اوایل ماه مارس ، او فروشگاه را کاملا بسته بندی کرد – او تصمیم گرفت که سهمی در این کار داشته باشد. وی می گوید: “من می خواستم قدم بردارم و اجازه دهم سایر مدل سازها و كارشناسان كار خود را انجام دهند.” “من نمی خواهم فضا را اشتباه بگیرم.”

وی هنوز در حال بررسی داده ها ، تحقیق و تجزیه و تحلیل – در مورد انواع ، شیوع واکسن و موج چهارم است. وی گفت: “اگر چیزی بخصوص اذیت کننده یا آزار دهنده ببینم که فکر نمی کنم مردم در مورد آن صحبت می کنند ، قطعاً آن را ارسال خواهم کرد.” اما در حال حاضر ، او روی پروژه های دیگری مانند YOLO Stocks ، یک بستر تجزیه و تحلیل سهام تمرکز دارد. کار همه گیر اصلی او عضویت در گروه مشاوره فنی سازمان بهداشت جهانی در ارزیابی مرگ و میر covid-19 است ، جایی که وی تخصص خود را به اشتراک می گذارد.

گو گفت: “من قطعاً در طول سال گذشته چیزهای زیادی آموخته ام.” “این بسیار چشم نواز بود.”

درس №1: روی اصول تمرکز کنید

گو می گوید: “از منظر علم داده ، مدل های من اهمیت سادگی را نشان داده اند که اغلب دست کم گرفته می شود”. مدل پیش بینی مرگ آن نه تنها در طراحی آن ساده است – م componentلفه SEIR با یک لایه یادگیری ماشین – بلکه در رویکرد بسیار کاهش یافته از پایین به بالا برای داده های ورودی نیز ساده است. او گفت: “پایین” به معنای “شروع با حداقل استخوانهای برهنه و در صورت لزوم پیچیدگی است.” “مدل من فقط از مرگ های گذشته برای پیش بینی مرگ در آینده استفاده می کند. از هیچ منبع داده واقعی دیگری استفاده نمی کند. “

گو خاطرنشان کرد که مدل های دیگر از انواع التقاطی داده های مورد ، بستری شدن در بیمارستان ، آزمایش ، تحرک ، استفاده از ماسک ، بیماری های مختلف ، توزیع سن ، جمعیت ، فصلی ذات الریه ، مرگ و میر سالانه ذات الریه ، تراکم جمعیت ، آلودگی هوا ، ارتفاع ، داده سیگار استفاده می کنند – تماس با گزارش شده ، ترافیک مسافر هواپیمایی ، نقطه مراقبت ، دماسنج هوشمند ، پست های فیس بوک ، جستجوی گوگل و غیره

وی می گوید: “این باور وجود دارد که اگر داده های بیشتری به مدل اضافه کنید یا آن را پیچیده تر کنید ، مدل بهتر عمل خواهد کرد.” “اما در موقعیت های واقعی مانند یک بیماری همه گیر ، که داده ها بسیار پر سر و صدا هستند ، شما می خواهید کارها را تا حد ممکن ساده کنید.”

“من در اوایل تصمیم گرفتم که مرگ های گذشته بهترین پیش بینی کننده مرگ های آینده است. این بسیار ساده است: ورودی ، خروجی. افزودن منابع داده بیشتر ، به راحتی استخراج سیگنال از نویز را دشوار می کند. “

درس شماره 2: پیش فرض ها را به حداقل برسانید

گو معتقد است که او از نزدیک شدن به مشکل ورق خالی یک مزیت داشته است. وی می گوید: “هدف من فقط دنبال كردن داده های covid برای یادگیری در مورد covid بود.” “این یکی از مزیت های اصلی یک فرد خارجی است.”

نه به عنوان متخصص اپیدمیولوژی ، گو همچنین باید مطمئن شود که او فرض های نادرست یا نادرستی نکرده است. وی می گوید: “نقش من این است كه مدل را طراحی كنم تا بتواند فرضیات را برای من بیاموزد.”

وی گفت: “هنگامی که داده های جدیدی ظاهر می شود که با اعتقادات ما مغایرت داشته باشد ، ما گاهی اوقات تمایل داریم که این داده های جدید را نادیده بگیریم یا آنها را نادیده بگیریم ، و این می تواند منجر به عواقب ناشی از آن شود.” “من مطمئناً قربانی آن شدم و می دانم افراد زیادی نیز چنین کرده اند.”

“بنابراین آگاهی از تعصبات احتمالی ما و شناختن آنها ، و توانایی تنظیم اولویت های خود – برای اصلاح باورهای ما در صورت رد اطلاعات جدید – واقعاً مهم است ، خصوصاً در یک محیط پرتحرک مانند آنچه که ما دیده ایم. با covid. “

درس شماره 3: فرضیه را بسنجید

گو گفت: “آنچه در چند ماه گذشته دیده ام این است كه هر كسی می تواند ادعا كند یا داده ها را دستکاری كند تا در روایت آنچه می خواهد باور كند قرار گیرد.” این امر بر اهمیت ساختن فرضیه های قابل تأیید تأکید می کند.

“برای من ، این کل اساس پیش بینی ها و پیش بینی های من است. وی گفت: “من یک سری پیش فرض ها را دارم و اگر این مفروضات درست باشند ، ما پیش بینی می کنیم که این اتفاق در آینده بیفتد.” “و اگر فرضیات در نهایت غلط است ، مطمئناً ، ما باید تصدیق کنیم که فرضیاتی که ما ارائه می دهیم نادرست هستند و خودمان بر این اساس اصلاح می کنیم. اگر فرضیه های قابل تأیید نگذارید ، هیچ راهی وجود ندارد که نشان دهد در واقع حق با شماست یا نه. “

درس شماره 4: از اشتباهات بیاموزید

گو گفت: “همه پیش بینی های من درست نبود.” در ماه مه سال 2020 ، او پیش بینی کرد که تا ماه آگوست 180،000 مرگ در ایالات متحده رخ دهد. وی یادآوری می کند: “این بسیار بالاتر از آن است که ما دیدیم.” فرضیه قابل تأیید او نادرست بود – “و این من را مجبور کرد تصوراتم را اصلاح کنم”.

در این زمان ، Gu از یک مرگ و میر ناشی از عفونت ثابت تقریباً 1٪ به عنوان ثابت در شبیه ساز SEIR استفاده کرد. هنگامی که او در تابستان میزان مرگ و میر عفونت را به حدود 0.4٪ (و بعداً به 0.7٪) کاهش داد ، پیش آگهی وی به حد واقعی تری بازگشت.

درس 5: منتقدان را درگیر کنید

گو که از توییتر برای ارسال پیش بینی ها و تحلیل های خود استفاده می کند ، گفت: “همه با ایده های من موافق نیستند و من از آن استقبال می کنم.” “من سعی می کنم تا آنجا که می توانم به مردم پاسخ دهم ، از موقعیت خود دفاع کنم و با مردم بحث و گفتگو کنم. این باعث می شود شما به این فکر کنید که مفروضات شما چیست و چرا فکر می کنید درست است. “

او می گوید: “این به تاییدیه برمی گردد.” “اگر من قادر به دفاع صحیح از موضع خود نباشم ، پس آیا واقعاً ادعای درستی است و آیا باید این ادعاها را مطرح کنم؟” این به من کمک می کند تا با تعامل با افراد دیگر ، نحوه تفکر در مورد این مسائل را درک کنم. وقتی افراد دیگری شواهدی را ارائه می دهند که مغایر با موقعیت من باشد ، باید بتوانم اعتراف کنم که ممکن است در برخی از فرض هایم اشتباه کنم. و این در واقع به من در بهبود مدل کمک زیادی کرد. “

درس شماره 6: بدبینی سالم را اعمال کنید

گو گفت: “من الان نسبت به علم بسیار بدبین ترم – و این چیز بدی نیست” “من فکر می کنم مهم این است که همیشه نتایج را زیر سال ببریم ، اما به روشی سالم. این یک خط خوب است. زیرا بسیاری از افراد علم را کاملاً رد می کنند و این نیز راهی برای انجام آن نیست. “

وی گفت: “اما من فکر می کنم که فقط اعتماد کورکورانه به علم نیز مهم است.” “دانشمندان کامل نیستند.” او می گوید ، اگر مطلبی درست به نظر نرسد ، مناسب است که س questionsالاتی را بپرسم و توضیحات را پیدا کنم. “داشتن دیدگاه های مختلف مهم است. اگر در سال گذشته چیزی آموخته باشیم ، هیچ کس در کل 100٪ درست نیست. “

وی گفت: “من نمی توانم به جای همه دانشمندان صحبت كنم ، اما كار من این است كه تمام سر و صدا را بردارم و به حقیقت برسم.” “من نمی گویم که در سال گذشته عالی بوده ام. من بارها اشتباه کردم اما من فکر می کنم همه ما می توانیم یاد بگیریم که به علم به عنوان یک روش برای یافتن حقیقت نزدیک شویم ، نه به عنوان خود حقیقت. “


منبع: unbox-khabar.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>