Как научиться решать задачи с процентами


Задачи на проценты - Моя мастерская

Навигация
  • Бобель Юлия Анатольевна
    • Мои достижения
    • Мастер - классы
  • Дистанционное обучение
    • Подготовка к олимпиадам
    • Дистанционные родительские собрания
    • Подготовка к ОГЭ
    • Подготовка к ЕГЭ
  • Уроки
    • Математика
    • Алгебра
      • Алгебра 7
      • Алгебра 8
      • Алгебра 9
      • Алгебра 10
    • 11 класс Алгебра К/Р №7
    • Геометрия
      • Геометрия 7
      • Геометрия 8
      • Геометрия 9
      • Геометрия 10
    • Готовимся к зачетам
    • Признаки делимости
  • Классное руководство
    • Наша классная жизнь.
    • Портфолио учащегося
  • Подготовка к ГИА
    • Тренировочные работы ГИА

КАК РЕШИТЬ ПРОБЛЕМЫ НА СЛОЖНЫХ СЕРИЯХ ИНТЕРЕСОВ -

Hi Bankersdaily Aspirants,

Кандидатов, как вы все знаете, скоро начнутся экзамены IBPS RRB, мы начали нашу подготовку, и мы начали серию обучения для неофитов, в которой мы обсуждаем каждый тип проблемы во всех темах в разделах «Способности», «Рассуждения» и «Английский язык».

Щелкните здесь, чтобы прочитать каждую тему

ВВЕДЕНИЕ В СОСТАВ ПРОЦЕНТОВ:

Сложные проценты - это прибавка процентов к основной сумме ссуды или депозита, или, другими словами, проценты по процентам.

На экзамене IBPS из этого раздела задаются 2 вопроса.

ФОРМУЛЫ ДЛЯ СОВМЕСТНЫХ ПРОЦЕНТОВ:

    1. Пусть основная = P, Ставка = R% годовых, Время = n
При начислении процентов Ежегодно:
При начислении процентов Раз в полгода:

При начислении процентов Ежеквартально:

Когда проценты начисляются ежегодно, но время дробно, скажем, 3 2/5 года:

Когда Ставки различаются в разные годы, скажем, 1 %, 2 %, 3 % за 1 , 2 и 3 год соответственно.

Текущая стоимость рупий x, причитающихся через n лет, определяется по:

СРАВНЕНИЕ МЕЖДУ SI И CI:

СЛОЖНЫЙ ПРОЦЕНТ:

ОСНОВНОЙ CI В ГОДАХ ГОДА ИТОГО CI СУММА
1000 100 1 СТ ГОД 100 1100
1000 110 2 ND ГОД 210 1210
1000 121 3 RD ГОД 331 1331

ПРОСТОЙ ПРОЦЕНТ:

ОСНОВНОЙ SI В ГОДАХ ГОДА ИТОГО SI СУММА
1000 100 1 СТ ГОД 100 1100
1000 100 2 ND ГОД 200 1200
1000 100 3 RD ГОД 300 1300
ПРИМЕЧАНИЕ:

1.Для 1 -го года SI = CI

2. Изменение процентной ставки начинается с 2 и года.

3. Процентная ставка и сумма ИК за 2 года подряд также увеличиваются на r%

ТИП 1:

1. Если человек инвестирует 100 000 рупий по ставке 20% годовых в течение 2 1/2 лет. Какая сумма будет у человека, если его основная сумма начисляется ежегодно?

Пояснение

Сумма = 10000 (1 + 20/100) ² * (1 + 20/100 * 1/2) ¹

= 10000 [(120/100) * (120/100)] * (110/100)

= 15840

ТИП 2:

РАЗНЫЕ ЦЕНЫ НА РАЗНЫЕ ГОДЫ:

1.Если человек инвестирует основную сумму в размере 100 000 рупий с другой процентной ставкой, то есть на первые 2 года, процентная ставка составляет 10%, на следующий год процентная ставка составляет 20%, а затем на следующий 1 год - 25% годовых, что составляет ежегодно, Какая будет сумма на 4 года?

Пояснение

Сумма = P {(1 + r1 / 100) t1 * (1 + r2 / 100) t2 * (1 + r3 / 100) t3}

= 10000 (1 + 10/100) ² * (1 + 20/100) ¹ * (1 + 25/100) ¹

= 10000 * (110/100) * (110/100) * (120/100) * (125/100)

= РТС.18150

ТИП 3:

ПРИ НАЧИСЛЕНИИ ПРОЦЕНТОВ ЕЖЕГОДНО, ПОЛОВИНУ ГОДА, ЕЖЕКВАРТАЛЬНО:

1. Мужчина инвестирует основную сумму в размере 100 000 рупий по ставке 20% годовых с начислением процентов каждые полгода в течение 2 лет. Какая сумма у него будет по истечении 2 лет?

Пояснение

P = 100 000 рупий

R = 20% годовых

Начисление процентов за полгода за 2 года

А = 10000 (1+ (20/100 * 1/2)) ² * ²

= 10000 * (110/100) * (110/100) * (110/100) * (110/100)

Сумма = Rs.14641

ТИП 4:

НА ОСНОВЕ ЭФФЕКТИВНОСТИ:

1.Сумма по сложному проценту увеличивается в два раза за 3 года. За сколько лет она увеличивается в 8 раз по той же ставке r%?

Пояснение

Заданная сумма = 2P через 3 года

Сумма = P (1 + r / 100) n

2P = P (1 + r / 100) ᶾ

2 = (1 + r / 100) ᶾ

Чтобы превратиться в 8 умножить на 2, нужно построить куб

2ᶾ = (1 + r / 100) 3 * 3

8 = (1 + r / 100) 9

Становится 8 раз за 9 лет

АЛЬТЕРНАТИВНЫЙ МЕТОД:

M раз = t1 лет

N раз = t2 года

m⅓ = n¹ / t2

2⅓ = 8¹ / t2

2⅓ = 2ᶾ *

База равна

1/3 = 3 * 1 / t2

t2 = 9

Требуется 9 лет, чтобы сумма увеличилась в 8 раз

ТИП 5:

РАЗНИЦА МЕЖДУ ПРОСТЫМ И СЛОЖНЫМ ПРОЦЕНТОМ:

ЗА 2 ГОДА:

= PR² / 100²

ЗА 3 ГОДА:

= PR² (300 + R) / 100³

1.Разница между Простыми процентами и Сложными процентами в (рупиях) на 1200 рупий на один год под 10% годовых , рассчитанная половина ежегодно составляет?

Пояснение

Так как проценты начисляются раз в полгода, поэтому ставка = 10/2 = 5%

CI-SI = PR² / 100²

= 1200 * 5 * 5/1000

= 30000/10000

= 3 рупий

2.Если разница между CI и SI по определенной сумме денег на 3 года под 10% годовых составляет 93 рупий. Найдите сумму (в рупиях.)

Пояснение

Сумма = Разница * 100³ / r³ (300 + r)

= 93 * 100 * 100 * 100 / (10 * 10 * 310)

= 3000

рупий

ВЫ ТАКЖЕ МОЖЕТЕ ПРОЧИТАТЬ:

ОБРАЗЕЦ ЭКЗАМЕНА АССИСТЕНТОВ UIIC 2017

PAIKA REBELLION - НАСТОЯЩАЯ ПЕРВАЯ ВОЙНА ИНДИЙСКОЙ НЕЗАВИСИМОСТИ

SWACHH SURVEKSHAN-2018

.

Сложные проценты: концепция, уловки и проблемы

Сложные проценты - это проценты, рассчитываемые на начальную основную сумму и накопленные проценты за предыдущие периоды депозита или ссуды.

Проще говоря, это можно сказать как «проценты на проценты». Это ускоряет рост депозита или кредита по сравнению с простыми процентами. Размер процентов, по которым накапливаются сложные проценты, зависит от частоты начисления сложных процентов; Чем больше количество периодов начисления сложных процентов, тем больше сложный процент.

Примечание: Проценты за первый месяц одинаковы как для простых, так и для сложных процентов. Со второго месяца проценты начинают меняться.

P [1+ R / 100] n [При ежегодном начислении денежных средств]
= P [1+ R / (2 * 100)] 2n [При начислении суммы раз в полгода]
= P [1+ R / (12 * 100)] 12n [При ежемесячном начислении денег]
Также A = CI + P
Где,
P = Принципал
R = процентная ставка
n = Время (в годах)
A = сумма
CI = сложный процент

Примечание: Приведенная выше формула: A = CI + P даст нам общую сумму.Чтобы получить только сложные проценты, нам нужно вычесть основную сумму из суммы.

В приведенной ниже таблице указаны значения первоначальных инвестиций P = Re. 1 для определенных периодов времени и процентных ставок, рассчитываемых как для простых, так и для сложных процентов. Если запомнить, это будет большим подспорьем в управлении временем во время экзамена,

Чтобы понять обсуждаемые выше концепции, давайте попробуем задать несколько вопросов.

Обязательно прочтите статьи о сложных процентах

Решенные вопросы

Вопросы 1: Найдите сумму, если 20000 рупий инвестируются под 10% p.а. в течение 3 лет.

Решение: Используя формулу: A = P [1+ R / 100] n
A = 20000 [1 + (10/100)] 3
После решения мы получаем A = Rs. 26620

Вопрос 2: Найдите КИ, если 1000 рупий были инвестированы в течение 1,5 лет под 20% годовых. составляется раз в полгода.

Решение: Как сказано, проценты начисляются раз в полгода. Таким образом, процентная ставка будет уменьшена вдвое, а время удвоено.

CI = P [1+ (R / 100)] n - P
CI = 1000 [1+ (10/100)] 3 - 1000
После решения мы получаем
CI = Rs.331

Пройдите этот тест, чтобы проверить свой уровень понимания данной темы.

Вопрос 3: КИ на сумму 625 рупий за 2 года составляет 51 рупий. Найдите процентную ставку.

Решение: Мы знаем, что A = CI + P
A = 625 + 51 = 676
Теперь по формуле: A = P [1+ (R / 100)] n
676 = 625 [1+ (R / 100)] 2
676/625 = [1+ (R / 100)] 2
Мы видим, что 676 - квадрат 26, а 625 - квадрат 25
Следовательно, (26 / 25) 2 = [1+ (R / 100)] 2
26/25 = [1+ (R / 100)]
26/25 - 1 = R / 100
При решении, R = 4%

Вопрос 4: Денежная сумма ставится на КИ сроком на 2 года под 20%.Если бы проценты выплачивались раз в полгода, было бы получено на 482 рупии больше, чем если бы они выплачивались ежегодно. Найдите сумму.

Решение: Пусть основной капитал = 100 рупий
При ежегодном начислении
A = 100 [1 + 20/100] 2
При начислении каждые полгода
A = 100 [1 + 10/100] 4
Разница, 146,41 - 144 = 2,41
Если разница составляет 2,41, то основная = 100 рупий
Если разница составляет 482, то основная = 100 / 2,41 × 482
P = 20000 рупий

Вопрос 5: Маниш вложил денежную сумму в CI.Он составил 2420 рупий за 2 года и 2662 рупия через 3 года. Найдите процентную ставку годовых.

Решение: Процентная ставка за прошлый год = 2662 - 2420 = 242 рупий
Следовательно, ставка% = (242 * 100) / (2420 * 1)
R% = 10%
Важная формула: Чтобы найти разницу между SI и CI за 2 года, мы используем формулу Разница = P [R / 100] 2

Вопрос 6: Разница между SI и CI на 2 года при 20% годовых составляет 8 рупий.Что главное?

Решение: Использование формулы: Разница = P (R / 100) 2
8 = P [20/100] 2
При решении, P = 200 рупий

Ключевое обучение
  • В этой статье мы узнали, как найти разницу между SI и CI, когда указаны основная сумма, период времени и процент ставки. Формулы находят прямое применение в вопросах.
  • В этой статье мы узнали, как найти CI, когда ставка складывается раз в полгода / раз в полгода.

Вы также можете разместить в разделе комментариев ниже любой запрос или объяснение любой концепции, упомянутой в статье.

.

Руководство по решению социальных проблем с помощью машинного обучения

Сегодня вечер воскресенья. Вы заместитель мэра большого города. Вы садитесь смотреть фильм и просите Netflix о помощи. («Буду ли я любить Birdemic? Ishtar? Zoolander 2?»). Алгоритм рекомендаций Netflix предсказывает, какой фильм вам понравится, путем анализа данных о миллионах предыдущих зрителей с использованием сложных инструментов машинного обучения. А на следующий день вы идете на работу, и каждое из ваших агентств будет принимать решения о найме, не имея большого представления о том, какие кандидаты будут хорошими работниками; учащиеся общественных колледжей будут в основном предоставлены самим себе решать, какие курсы для них будут слишком сложными или слишком легкими; и ваша система социального обслуживания будет применять реактивный, а не превентивный подход к бездомности, потому что они не верят, что можно предсказать, какие семьи окажутся на улице.

Вы бы хотели перенести использование прогнозной аналитики в свой город в 21 век -го -го или, по крайней мере, в 20-й -й век -го. Но как? Вы только что наняли пару 24-летних программистов, чтобы они руководили вашей командой по анализу данных. Они отлично разбираются в данных. Но должны ли они решать, какие проблемы можно решить с помощью этих инструментов? Или решить, как выглядит успех? Вас также не успокаивают продавцы, с которыми взаимодействует город. Они всегда пытаются продать вам самый последний инструмент прогнозирования.Решения о том, как использовать эти инструменты, кажутся вам слишком важными для передачи на аутсорсинг, но поднимают множество новых проблем, которые трудно понять.

Insight Center

Такое сочетание энтузиазма и опасений по поводу потенциального социального воздействия машинного обучения характерно не только для местных органов власти или даже для правительства: некоммерческие организации и социальные предприниматели также разделяют это. Энтузиазм вполне уместен. Для решения правильного типа проблемы от использования этих инструментов можно получить огромную пользу.Но есть и беспокойство: как и в случае со всеми новыми «продуктами», существует вероятность неправильного использования. Как мы можем максимизировать пользу при минимизации вреда?

Применяя эти инструменты в последние несколько лет, мы сосредоточились именно на этом вопросе. Мы узнали, что некоторые из наиболее важных проблем находятся в разрыве между дисциплиной, которая создает алгоритмы (информатика), и дисциплинами, которые обычно работают над решением проблем политики (например, экономика и статистика). В результате, некоторые из этих ключевых проблем даже не видны никому.Хорошая новость заключается в том, что многие из этих проблем, если они осознаются, довольно просто решить.

Мы переработали то, что узнали, в «руководство для покупателя». Он предназначен для всех, кто хочет использовать науку о данных для создания общественного блага, но не знает, как действовать дальше.

Как машинное обучение может улучшить государственную политику

Перво-наперво: всегда есть новые «обновки». Особенно в социальной сфере. Стоит ли обращать внимание на эти инструменты машинного обучения?

Да.Это то, что мы пришли к выводу из нашего собственного проекта проверки концепции, применяя машинное обучение к набору данных из более чем одного миллиона судебных дел по облигациям (в совместной работе с Himabindu Lakkaraju и Jure Leskovec из Стэнфордского университета). Вскоре после ареста судья должен решить: будет ли подсудимый ждать своей законной судьбы дома? Или они должны ждать в тюрьме? Это немалый вопрос. Типичный срок тюремного заключения составляет от двух до трех месяцев. Принимая это судьбоносное решение, по закону, судья должен сделать прогноз: в случае освобождения ответчик вернется в суд или пропустит суд? И будут ли они потенциально совершать новые преступления?

Мы считаем, что есть много возможностей для улучшения прогнозов судей.Наши оценки показывают, что если бы мы принимали решения об освобождении до суда, используя прогнозы риска нашего алгоритма вместо того, чтобы полагаться на интуицию судьи, мы могли бы сократить количество преступлений, совершаемых освобожденными обвиняемыми, до 25% без необходимости сажать в тюрьму дополнительных людей. Или, вообще не увеличивая уровень преступности, мы могли бы заключить в тюрьму на 42% меньше людей. С учетом того, что в США ежегодно арестовывают 12 миллионов человек, этот тип инструмента может позволить нам сократить количество заключенных до нескольких сотен тысяч человек. И такого рода вмешательство относительно дешево.По сравнению с инвестированием миллионов (или миллиардов) долларов в большее количество социальных программ или полиции, стоимость статистического анализа уже существующих наборов административных данных практически равна нулю. Кроме того, в отличие от многих других предложений по улучшению общества, инструменты машинного обучения легко масштабируются.

К настоящему времени политики привыкли слышать подобные заявления в рекламных презентациях, и они должны вызывать определенный скептицизм. Одна из причин, по которой трудно быть хорошим покупателем решений для машинного обучения, заключается в том, что существует так много преувеличенных заявлений.Дело не в том, что люди намеренно искажают результаты своих алгоритмов. Фактически, применение известного алгоритма машинного обучения к набору данных часто является самой простой частью этих проектов. Гораздо сложнее и причина, по которой мы боролись с нашим собственным проектом по освобождению под залог в течение нескольких лет, - это точная оценка потенциального воздействия любого нового алгоритма на результаты политики. Мы надеемся, что оставшаяся часть этой статьи, основанная на нашем собственном опыте применения машинного обучения для решения проблем, связанных с политикой, поможет вам лучше оценить эти предложения и сделает вас важным покупателем.

Ищите политические проблемы, которые зависят от прогноза

Наш опыт освобождения под залог показывает, что продуманное применение машинного обучения к политике может дать очень большую прибыль. Но иногда эти инструменты продаются как змеиное масло, как будто они могут решить каждую проблему .

Машинное обучение отлично умеет предсказывать вещи. Он может информировать решения, которые зависят от прогноза, и где то, что нужно предсказать, является ясным и измеримым.

Для Netflix решение - какой фильм смотреть. Netflix собирает данные о большом количестве пользователей, чтобы попытаться выяснить, у каких людей предыдущая история просмотра похожа на вашу, а затем рекомендует фильмы, которые понравились этим людям. Для нашего приложения к досудебным решениям об освобождении под залог алгоритм пытается найти прошлых обвиняемых, которые похожи на того, кто в настоящее время находится в суде, а затем использует уровень преступности этих аналогичных обвиняемых в качестве основы для своего прогноза.

Если принимается решение, которое уже зависит от прогноза, почему , а не помогают информировать это решение с помощью более точных прогнозов? Закон и требует, чтобы судьи судов по облигациям выносили решения об освобождении до суда на основе своих прогнозов риска ответчика.Десятилетия поведенческой экономики и социальной психологии учат нас, что людям будет сложно делать точные прогнозы относительно этого риска, потому что для этого требуются вещи, в которых мы не всегда хороши, например, вероятностное мышление, установление атрибуции и выводы. Алгоритм делает те же прогнозы, которые уже делают судьи, но лучше.

Но многие решения в социальном секторе не зависят от прогнозов. Иногда мы спрашиваем, работает ли какая-то новая политика или программа - то есть вопросы, которые зависят от понимания причинного воздействия чего-либо на мир.Ответить на эти вопросы нельзя с помощью методов прогнозирования машинного обучения. Вместо этого нам нужны инструменты для установления причинной связи, такие как рандомизированные эксперименты. Кроме того, то, что что-то предсказуемо, не означает, что нам удобно, когда наше решение зависит от этого предсказания. Например, нам может быть некомфортно отказывать в социальном обеспечении тому, кто имел на это право на момент подачи заявления, только потому, что мы прогнозируем, что они с большой вероятностью не выполнят требования программы по поиску работы или не пройдут тест на наркотики в будущем.

Убедитесь, что вас устраивает прогнозируемый результат

Алгоритмы наиболее полезны при применении к проблемам, в которых есть не только обширная история прошлых случаев, из которых можно извлечь уроки, но также и четкий результат, который можно измерить, поскольку конкретное измерение результата является необходимой предпосылкой для прогнозирования. Но алгоритм предсказания, сам по себе, будет постоянно фокусироваться на предсказании результата, который вы дадите, как можно точнее за счет всего остального.Это создает опасность: если вас интересуют и других исходов , они будут проигнорированы. Таким образом, даже если алгоритм хорошо справляется с результатом, на котором вы сказали ему сосредоточиться, он может хуже справиться с другими результатами, которые вас интересуют, но не сказали ему предсказать.

Эта проблема неоднократно возникала в нашей работе над решениями об освобождении под залог. Мы обучили наши алгоритмы прогнозированию общего уровня преступности для правозащитников, имеющих право на освобождение под залог. Такой алгоритм рассматривает все преступления как равные. Но что, если судьи (небезосновательно) придают непропорционально большое значение тому, участвует ли обвиняемый в очень серьезном насильственном преступлении, таком как убийство, изнасилование или грабеж? Если посмотреть на общий уровень преступности, может выглядеть так, как будто предсказания алгоритма приводят к «лучшим результатам».Но правило освобождения алгоритма может быть хуже, чем у судей, в частности, в отношении серьезных насильственных преступлений. Возможность этого не означает, что алгоритмы все еще не могут быть полезными. При освобождении под залог оказывается, что разные формы преступлений достаточно коррелированы, так что алгоритм, обученный только одному типу преступлений, в конечном итоге опережает судей почти по всем критериям преступности, которые мы могли бы сконструировать, включая насильственные преступления. Дело в том, что результат, который вы выбираете для своего алгоритма, будет определять его.Поэтому вам нужно тщательно подумать о том, что это за результат и что еще он может упустить.

Проверка смещения

Еще один серьезный пример этого принципа - роль гонки в алгоритмах. Существует вероятность того, что любая новая система прогнозирования и принятия решений может усугубить расовое неравенство, особенно в таких областях политики, как уголовное правосудие. Следует соблюдать осторожность: базовые данные, используемые для обучения алгоритма, могут быть предвзятыми, отражая историю дискриминации.А специалисты по обработке данных могут иногда непреднамеренно сообщать о вводящих в заблуждение показателях производительности своих алгоритмов. Мы должны серьезно отнестись к беспокойству о том, могут ли алгоритмы увековечить недостатки, независимо от других преимуществ.

Однако в конечном итоге это эмпирический вопрос. В нашем проекте по освобождению под залог мы обнаружили, что алгоритм действительно может уменьшить расовых различий среди заключенных. Другими словами, мы можем снизить преступность, количество заключенных в тюрьмы на и расовых предубеждений - и все это одновременно - с помощью алгоритмов.

Это не случайность. Подходящим первым эталоном для оценки эффекта от использования алгоритмов является существующая система - прогнозы и решения, уже сделанные людьми. В случае залога мы знаем из десятилетий исследований, что эти человеческие прогнозы могут быть необъективными. У алгоритмов есть форма нейтралитета, которую человеческий разум пытается получить, по крайней мере, в пределах их узкой области внимания. Как мы видели, вполне возможно, что алгоритмы будут служить движущей силой справедливости.Нам следует сочетать нашу осторожность с надеждой.

Урок здесь в том, что если конечный результат, который вас волнует, трудно измерить или включает в себя сложно определяемую комбинацию результатов, то проблема, вероятно, не подходит для машинного обучения. Рассмотрим проблему, когда выглядит как как залог: приговор. Как и залог, вынесение приговора лицам, признанным виновным, частично зависит от риска рецидива. Но вынесение приговора также зависит от таких вещей, как чувство возмездия, милосердия и искупления общества, которое нельзя измерить напрямую.Мы намеренно сосредоточили нашу работу на освобождении под залог, а не на вынесении приговора, потому что это представляет собой точку в системе уголовного правосудия, где закон явно требует узкого прогноза. Даже если есть измеримый единственный результат, вы захотите подумать о других важных факторах, которые не включены в этот результат - как мы сделали с гонкой в ​​случае залога - и поработать со своими специалистами по данным, чтобы создать план чтобы проверить свой алгоритм на предмет потенциальной предвзятости по этим параметрам.

Проверьте свой алгоритм в эксперименте на данных, которых он не видел

После того, как мы выбрали правильный результат, последняя потенциальная ловушка связана с тем, как мы измеряем успех.Чтобы машинное обучение было полезным для политики, оно должно точно прогнозировать «вне выборки». Это означает, что его нужно обучить на одном наборе данных, а затем протестировать на наборе данных, которого он раньше не видел. Поэтому, когда вы предоставляете данные поставщику для создания инструмента, не используйте их часть. Затем, когда поставщик вернется с готовым алгоритмом, вы можете провести независимый тест, используя свой «выдержанный» образец.

Еще более фундаментальная проблема заключается в том, что современные подходы в этой области обычно сосредоточены на показателях производительности, которые для многих приложений изначально ошибочны.Текущая практика состоит в том, чтобы сообщать о том, насколько хорошо алгоритм предсказывает только те случаи, когда мы можем наблюдать результат. В заявлении об освобождении под залог это означает, что наш алгоритм может использовать данные только о тех подсудимых, которые были освобождены судьями, потому что у нас есть только ярлык , дающий правильный ответ на вопрос о том, совершил ли подсудимый преступление или нет, для подсудимых, которых судьи решили освободить. А как насчет подсудимых, которых судьи решили не освобождать? Имеющиеся данные не могут сказать нам, совершили бы они повторное преступление или нет.

Это затрудняет оценку того, действительно ли какой-либо новый инструмент машинного обучения может улучшить результаты по сравнению с существующей системой принятия решений - в данном случае с судьями. Если какое-то новое правило освобождения на основе машинного обучения хочет освободить кого-то, кого посадили в тюрьму судьи, мы не можем наблюдать за его «ярлыком», так как же нам узнать, что произойдет, если мы действительно освободим его?

Это проблема не только академического интереса. Представьте, что судьи имеют доступ к информации об обвиняемых, которой нет у алгоритма, например к тому, появляются ли члены семьи в суде, чтобы поддержать их.В качестве упрощенного крайнего примера предположим, что судья особенно точно использует эту дополнительную информацию и может применить ее, чтобы точно предсказать, совершат ли молодые обвиняемые повторное преступление или нет. Поэтому судьи освобождают только тех молодых людей, которые не подвергаются риску рецидива. Алгоритм получает данные только о тех молодых людях, которые были освобождены - тех, кто никогда не совершал повторных преступлений. Такой алгоритм, по сути, сделает вывод, что судья совершает серьезную ошибку, заключая в тюрьму так много молодых обвиняемых (поскольку ни один из его данных не продолжает совершать преступления).Алгоритм рекомендует освободить гораздо более молодых подсудимых. Алгоритм был бы неправильным. В результате это может непреднамеренно ухудшить положение мира.

Короче говоря, тот факт, что алгоритм хорошо предсказывает ту часть тестовых данных, где мы можем наблюдать метки, не обязательно означает , что означает, что он будет делать хорошие прогнозы в реальном мире. Лучший способ решить эту проблему - провести рандомизированное контролируемое исследование, которое широко распространено в медицине. Затем мы могли бы напрямую сравнить, приводят ли решения об освобождении под залог, принятые с использованием машинного обучения, к лучшим результатам, чем решения, принятые по сопоставимым делам с использованием текущей системы принятия судебных решений.Но еще до того, как мы дойдем до этой стадии, нам нужно убедиться, что инструмент достаточно многообещающий, чтобы этически оправдать его тестирование в полевых условиях. В нашем случае залога большая часть усилий ушла на поиск «естественного эксперимента» для оценки инструмента.

Наш естественный эксперимент основан на двух выводах. Во-первых, в пределах юрисдикции судьи, которые рассматривают какие дела, по существу случайны. Во-вторых, судьи очень разные по своей снисходительности. Это позволяет нам измерить, насколько хороши судьи при отборе дополнительных обвиняемых в тюрьму.Насколько снижает уровень преступности судья с показателем освобождения 70% по сравнению с судьей с показателем освобождения 80%? Мы также можем использовать эти данные, чтобы узнать, насколько хорош алгоритм при отборе дополнительных обвиняемых в тюрьму. Если мы возьмем дело с 80% -ным показателем освобождения и воспользуемся нашим алгоритмом, чтобы отбирать еще 10% обвиняемых для тюремного заключения, сможем ли мы добиться более низкого уровня преступности, чем тот, который получает судья с 70-процентным показателем освобождения? Это сравнение «человек против машины» не сбивается с толку из-за отсутствия ярлыков для обвиняемых, которых судьи заключили в тюрьму, но алгоритм хочет освободить, потому что мы всего лишь просим алгоритм рекомендовать дополнительные задержания (а не освобождение).Это сравнение опирается только на ярлыки, которые у нас уже есть в данных, и оно подтверждает, что прогнозы алгоритма действительно приводят к лучшим результатам, чем прогнозы судей.

Может быть ошибочным, а иногда и совершенно вредным, внедрять и расширять новые инструменты прогнозирования, когда они оцениваются только на основе исторических данных с ярлыками, а не оцениваются на основе их влияния на ключевое политическое решение, представляющее интерес. Умные пользователи могут пойти так далеко, что откажутся от использования любого инструмента прогнозирования, который не воспринимает эту задачу оценки более серьезно.

Помните, что мы еще многого не знаем

В то время как машинное обучение сейчас широко используется в коммерческих приложениях, использование этих инструментов для решения проблем политики является относительно новым. Мы еще многого не знаем, но нам нужно будет решить, что делать дальше.

Возможно, наиболее важным примером этого является то, как объединить человеческое суждение и алгоритмическое суждение для принятия наилучших возможных политических решений. В области политики трудно представить переход в мир, в котором алгоритмы фактически принимают решения; мы ожидаем, что вместо этого они будут использоваться в качестве вспомогательных средств для принятия решений.

Чтобы алгоритмы добавляли ценность, нам нужны люди, которые их действительно используют; то есть обратить на них внимание хотя бы в некоторых случаях. Часто утверждается, что для того, чтобы люди захотели использовать алгоритм, они должны действительно понимать, как он работает. Может быть. Но многие ли из нас знают, как работают наши машины, наши iPhone или кардиостимуляторы? Кто из нас променял бы производительность на понятность собственной жизни, например, отказавшись от нынешнего автомобиля с его загадочным двигателем внутреннего сгорания в пользу автомобиля Фреда Флинтстоуна?

Обратной стороной является то, что директивным органам необходимо знать, когда им следует игнорировать алгоритм.Чтобы люди знали, когда переопределять, им нужно понимать свое сравнительное преимущество перед алгоритмом - и наоборот. Алгоритм может проанализировать миллионы случаев из прошлого и рассказать нам, что происходит в среднем. Но часто только человек может увидеть смягчающее обстоятельство в данном случае, поскольку оно может быть основано на факторах, не учтенных в данных, на которых был обучен алгоритм. Как и с любой новой задачей, вначале люди будут плохо справляться с этим. Хотя со временем они должны стать лучше, было бы очень полезно больше узнать о том, как ускорить эту кривую обучения.

Пара осторожность с надеждой

Путешественник во времени, возвращающийся в начало 20 века -го и -го, прибудет с ужасными предупреждениями. Одно изобретение могло нанести большой вред. Это станет одной из основных причин смерти, а для некоторых возрастных групп - самой большой причиной смерти. Это усугубит неравенство, потому что те, кто сможет себе это позволить, смогут получить больше рабочих мест и жить более комфортно. Это изменит облик планеты, на которой мы живем, затронув физический ландшафт, загрязняя окружающую среду и способствуя изменению климата.

Путешественник во времени не хочет, чтобы эти предупреждения вызывали поспешную панику, которая полностью препятствует развитию автомобильного транспорта. Вместо этого она хочет, чтобы эти предупреждения помогли людям пропустить несколько шагов и пойти по более безопасному пути: сосредоточиться на изобретениях, которые делают автомобили менее опасными, построить города, обеспечивающие легкий доступ к общественному транспорту, и сосредоточиться на транспортных средствах с низким уровнем выбросов.

Путешественник во времени из будущего, говорящий с нами сегодня, может прийти с аналогичными предупреждениями о машинном обучении и поощрить аналогичный подход.Она может способствовать распространению машинного обучения, которое поможет решать самые сложные социальные проблемы и улучшить жизнь многих. Она также напоминала нам, чтобы мы были внимательны и пристегивались ремнями безопасности.

.Открытие

- Как вы находите интересные проблемы для решения?

Переполнение стека
  1. Около
  2. Товары
  3. Для команд
  1. Переполнение стека Общественные вопросы и ответы
  2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
  3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
  4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
  5. Реклама Обратитесь к разработчикам и технологам со всего мира
  6. О компании

Загрузка…

.

Смотрите также