Tous les biais & erreurs statistiques à éviter.
Quel boulot de dingue que ce simulateur épidémique basé sur le modèle SIR. C'est super bien expliqué, on peut voir des effets de différentes stratégies, etc.
Trop bien.
Méthodo intéressante pour les sondages sur les questions "délicates" (lorsque le répondant hésite à répondre à une question, par exemple politique ou sur l'usage de drogue) :
- demander au répondant de tirer secrètement un dé ;
- si il obtient 6, répondre positivement (« oui j'ai consommé du cannabis ») ;
- sinon, répondre normalement.
Ainsi, impossible de savoir s'il a répondu à cause du chiffre ou honnêtement, son secret est donc partiellement protégé. De plus, le biais ainsi créé est facile à lever.
Excellente vidéo pour expliquer que corrélation n'est pas causalité. En utilisant des cas réels "d'études" et de communication de ces dernières par … la presse…
Analyse de sentiment en R et représentation.
MOOC sur Python for Data Science, à garder sous le coude.
Intéressant : analyse de la campagne présidentielle avec les nombreuses données récoltées (notamment sur les réseaux sociaux).
Il y a aussi des analyses, interprétations, brèves. C'est sérieux, d'ailleurs c'est réalisé en partie par le CNRS.
Rôôô, génial : une publication qui explique comment faire des graphes de dispersion qui possèdent les mêmes caractéristiques statistiques (moyennes, écart-types, corrélation) à l'aide d'algorithme de recuit simulé.
Résultat, cette image magnifique :
Woké : encore du dessin / de la génération d'image assistée par du deep-learning. Cette fois, on supprime un bout de l'image, et on lui demande de compléter. Résultat juste bluffant.
Woké. Avec un bon réseau de neurones profonds, on peu désormais faire un dessin au crayon et le voir devenir une sorte de photo (c'est évidemment encore du TensorFlow).
Bon, perso j'ai essayé, mais étant très mauvais dessinateur, les résultats n'étaient pas non plus dingues (sauf à considérer ce qu'il faut de technique pour arriver ne serait-ce que là).
Je serais curieux de voir le résultat de meilleurs dessinateurs.
Très intéressant : un catalogue de Dataviz où l'on peut choisir sa représentation par fonction ou par type. Très bien !
Décidément, j'aime beaucoup ce blog / chaîne Youtube de science.
Dernière vidéo en date sur ce « crétin de cerveau » c'est-à-dire les biais cognitifs. Et cet épisode m'inspire particulièrement parce qu'il parle de probabilités et de l'impossibilité pour l'être humain de les ressentir correctement.
Regardez donc la vidéo, faites vos choix et fur et à mesure et … WTF ! J'adore :)
Une histoire de l'argent dans les films US (budgets, revenus, etc.).
Le sujet est intéressant, mais c'est surtout la visualisation qu'il faut voir. C'est magnifique, j'imagine pas le boulot pour faire tout ça.
À voir !
Que se passe-t-il quand un réseau de neurones profond (DeepLearning) adapté à la vision/reconnaissance d'images est utilisé en marche arrière (en modèle générateur) ? Des chercheurs l'avaient déjà réalisé à partir de l'outil de Google.
Cette fois, c'est sur celui de Yahoo! pour la classification d'images pornographiques. Donc, ça fait une machine à créer des rêves pornographiques totalement chelous.
Les images sont dérangeantes à souhait, mais complètement SFW.
Wow !! Un mec a fait un travail extraordinaire à partir de Wikipedia : il a recensé les biais dits "cognitifs" dans une grande carte hiérarchique. Je suis soufflé par tant de boulot.
via : https://twitter.com/Margauxlergo/status/773184663032590337
Wow, très intéressant. Quelques bouts de codes et un peu de théorie sur la robustesse en apprentissage statistique. Voir les slides aussi, très intéressantes (bien qu'assez peu "autoporteuses" : le speech aurait été un plus)
via : https://twitter.com/dataandme/status/757648167940816896
Les différentes métriques statistiques en dessin, et pourquoi elles ne sont jamais significatives seules :
- moyenne,
- médiane,
- catégorie (modale),
- étendues (== range),
- corrélation,
- variance.
Dommage que le titre soit si mal trouvé.
Il y a toujours ce dicton qui dit "il ne faut pas croire les chiffres / les statistiques" mais c'est totalement faux. C'est l'interprétation qui est fausse ou biaisée.
Ce serait comme de dire que l'ordinateur se trompe : no, it isn't. C'est le programme qui est faux par rapport à la fonction, pas l'exécution.
via : https://twitter.com/MaliciaRogue/status/754940561304551424
VM pour faire de la datascience, orientée Microsoft (& Azure)
via : https://twitter.com/FranmerMS/status/668884931519606784
Un MOOC sur le machine-learning qui semble intéressant.
via : https://twitter.com/FranmerMS/status/667034926106169344
Article et vidéo sur un biais cognitif : l'effet d'ancrage. Que je ne connaissais pas. Honte à moi.
Bien documenté.