亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

人工智能在刑事司法中的應用，可以從全球眾多例子說明。我們采用按時間順序的方法，追溯犯罪如何展開，包括(i)其承諾，(ii)其偵查，以及最終(iii)刑事法庭和懲教機構對其作出的反應。首先，我們關注惡意行為者利用人工智能實施應受譴責行為的可能性，盡管這一點還有待觀察。其次，我們評估了執法部門對人工智能的使用，包括警察部隊發現和預測犯罪的新能力。第三，我們研究了人工智能和刑事訴訟之間的關系，以顯示人工智能是如何被用于評估在審判前和定罪后階段與罪犯相關的各種風險的。最后，我們分析了人工智能在刑事司法領域所帶來的四大挑戰: 道德、效率、采購和撥款。我們敦促所有尋求在其刑事司法系統中實施人工智能的實體保持謹慎: 必須明確和徹底地解決這些相互關聯的問題類別，以便人工智能系統能夠迭代、公平和透明地成為刑事司法決策的一部分。

Python Book為任何與數據打交道但沒有編程經驗的人提供了學習Python的基本入門指南。作者是一位經驗豐富的數據科學家和Python程序員，他向讀者展示了如何使用Python進行數據分析、探索、清理和討論。讀者將了解Python語言中哪些內容對數據分析很重要，以及為什么重要。

Python Book為讀者提供了全面全面的Python介紹，它既簡單到對初學者來說是理想的，又深刻到對那些更有經驗的人來說是有用的。這本書幫助初出乍到的程序員在閱讀過程中逐漸提高他們的技能，并始終理解他們所涉及的內容以及為什么它是有用的。Python被谷歌、Facebook、Instagram、Spotify等大公司使用，在未來的幾年里，它將繼續成為編程領域的中心。

包含了Python編程主題的深入討論，如變量，等式和比較，元組和字典數據類型，while和for循環，以及if語句，讀者還將學習:

• 如何使用非常有用的Python編程庫，包括Pandas和Matplotlib
• 如何編寫Python函數和類
• 如何編寫和使用Python腳本
• 在Python中處理不同的數據類型

完美的統計學家，計算機科學家，軟件程序員，和從業人員在私營行業和醫學，Python書也將對任何上述領域的學生感興趣。因為它假設沒有編程經驗或知識，所以這本書非常適合那些使用數據工作并希望學習使用Python來增強他們工作的人。

來源| 麻省理工學院
編輯| 專知翻譯整理

如何幫助人類理解機器人？
 麻省理工學院和哈佛大學的研究人員建議，將認知科學和教育心理學的理論應用于人機交互領域，可以幫助人類為其機器人合作者建立更準確的心理模型，從而提高合作工作空間的性能并提高安全性。

HRI2022：Revisiting Human-Robot Teaching and Learning Through the Lens of Human Concept Learning Theory(從人類概念學習的角度重新審視人機教學)

研究人機交互的科學家往往專注于從機器人的角度理解人類的意圖，因此機器人學會更有效地與人合作。但人機交互是雙向的，人類也需要學習機器人的行為方式。

由于數十年的認知科學和教育心理學研究，科學家們對人類如何學習新概念有了很好的掌握。因此，麻省理工學院和哈佛大學的研究人員合作，將完善的人類概念學習理論應用于人機交互的挑戰。

他們檢查了過去的研究，重點是人類試圖教機器人新行為。研究人員發現了這些研究可以將兩種互補的認知科學理論中的元素納入他們的方法的機會。他們使用這些作品中的例子來展示這些理論如何幫助人類更快、更準確、更靈活地形成機器人的概念模型，從而提高他們對機器人行為的理解。

為機器人建立更準確的心智模型的人類通常是更好的合作者，當人類和機器人在制造和醫療保健等高風險情況下一起工作時，這一點尤其重要，Serena Booth 說，她是互動機器人小組的研究生。計算機科學與人工智能實驗室（CSAIL），該論文的主要作者。

“無論我們是否試圖幫助人們建立機器人的概念模型，他們無論如何都會建立它們。這些概念模型可能是錯誤的。這會使人們處于嚴重的危險之中。重要的是，我們盡我們所能為那個人提供他們可以建立的最佳心理模型，”Booth說。

Booth 和她的導師 Julie Shah 與哈佛大學的研究人員合作，共同撰寫了這篇論文。Julie Shah是麻省理工學院航空航天學教授，也是交互式機器人小組的負責人。Elena Glassman是哈佛大學John A. Paulson工程與應用科學學院的計算機科學助理教授，在學習理論和人機交互方面具有專業知識，是這個項目的主要顧問。哈佛大學的合著者還包括研究生Sanjana Sharma和研究助理Sarah Chung。這項研究在IEEE人機交互會議上發表。

01 理論方法

研究人員使用兩個關鍵理論分析了 35 篇關于人機教學的研究論文。“類比遷移理論”表明人類通過類比學習。當一個人與一個新的領域或概念進行交互時，他們會隱含地尋找他們可以用來理解新實體的熟悉的東西。

什么是人類概念學習？ 人類概念學習的認知理論解釋了人類如何理解復雜的高維現象并對未揭示的事實和未來做出預測——因此，這些理論可用于幫助人類了解機器人在世界上的行為方式。我們著眼于兩個互補的理論，類比轉移理論和學習的變異理論，以告知界面如何最好地調解人類學習機器人行為的實踐。

變異理論支持人類將核心知識與表面或附帶細節區分開來，類比遷移理論支持人類將知識轉移到新概念或新現象。變異理論規定了方差和不變性的有序序列，以幫助人類將核心行為與表面或附帶的細節區分開來，而類比轉移理論則通過將新的和未知的概念與熟悉的實體對齊來規定知識轉移。這些理論共同為人機交互界面和算法提供了設計指導，即關于機器人行為的選擇、順序和呈現。

“學習的變異理論”認為，策略變異可以揭示一個人可能難以辨別的概念。它表明人類在與新概念交互時會經歷一個四步過程：重復、對比、概括和變化。

Booth說，雖然許多研究論文包含了一種理論的部分要素，但這很可能是偶然的。如果研究人員在工作開始時就參考了這些理論，他們可能能夠設計出更有效的實驗。

例如，在教人類與機器人互動時，研究人員經常向人們展示機器人執行相同任務的許多示例。但是為了讓人們建立一個準確的機器人心智模型，變異理論表明他們需要看到機器人在不同環境中執行任務的一系列示例，并且他們還需要看到它犯錯。

“這在人機交互文獻中非常罕見，因為它違反直覺，但人們還需要看到負面例子來理解機器人不是什么，”Booth說。

這些認知科學理論也可以改進物理機器人設計。Booth 解釋說，如果機械臂類似于人類手臂，但運動方式與人類運動不同，那么人們將難以建立機器人的準確心智模型。正如類比轉移理論所建議的那樣，由于人們將他們所知道的——人類手臂——映射到機器人手臂，如果運動不匹配，人們可能會感到困惑并且難以學習與機器人互動。

02 增強解釋

Booth和她的合作者還研究了人類概念學習理論如何改進解釋，以幫助人們建立對不熟悉的新機器人的信任。

“在可解釋性方面，我們有一個非常大的確認偏差問題。通常沒有關于解釋是什么以及人們應該如何使用它的標準。作為研究人員，我們經常設計一種解釋方法，它對我們來說看起來不錯，然后我們將其發布，”她說。

相反，他們建議研究人員使用人類概念學習的理論來思考人們將如何使用解釋，這些解釋通常由機器人生成，以清楚地傳達他們用來做出決策的政策。Booth說，通過提供幫助用戶理解解釋方法的含義、何時使用以及不適用的地方的課程，他們將對機器人的行為有更深入的理解。

根據他們的分析，他們就如何改進人機教學研究提出了一些建議。一方面，他們建議研究人員通過指導人們在學習使用新機器人時進行適當的比較來結合類比轉移理論。Booth說，提供指導可以確保人們使用合適的類比，這樣他們就不會對機器人的行為感到驚訝或困惑。

他們還建議，包括機器人行為的正面和負面例子，并讓用戶了解機器人“策略”中參數的戰略變化如何影響其行為，最終跨越戰略變化的環境，可以幫助人類更好更快地學習。機器人的策略是一個數學函數，它為機器人可以采取的每個動作分配概率。

“多年來，我們一直在進行用戶研究，但我們一直根據自己的直覺從臀部拍攝，以了解什么對向人類展示有幫助或無用。下一步將更加嚴格地將這項工作建立在人類認知理論的基礎上，”Glassman說。

既然使用認知科學理論的初步文獻綜述已經完成，Booth計劃通過重建她研究的一些實驗來測試他們的建議，看看這些理論是否真的能改善人類學習。

?這項工作得到了美國國家科學基金會的部分支持。

03 成果在【ACM/IEEE International Conference on Human-Robot Interaction (HRI) 2022】發表

標題
 Revisiting Human-Robot Teaching and Learning Through the Lens of Human Concept Learning

作者 Serena Booth，Sanjana Sharma，Sarah Chung，Julie Shah，Elena L. Glassman

摘要 在與機器人交互時，人類會形成概念模型（質量參差不齊）來捕捉機器人的行為方式。這些概念模型只是通過觀察機器人或與機器人互動而形成的，無論有沒有有意識的思考。一些方法選擇和呈現機器人行為以改進人類概念模型的形成；然而，這些方法和更廣泛的 HRI 尚未參考人類概念學習的認知理論。這些經過驗證的理論提供了具體的設計指導，以支持人類更快、更準確、更靈活地開發概念模型。具體而言，類比遷移理論和學習變異理論已成功應用于其他領域，并為 HRI 社區提供了關于機器人行為選擇和呈現的新見解。運用這些理論，我們回顧并分析了 35 部先前在人機教學中的作品，并評估這些作品如何融入或省略這些理論的設計含義。從這篇綜述中，我們發現了算法和界面的新機會，可以幫助人類更輕松地學習機器人行為的概念模型，這反過來又可以幫助人類成為更有效的機器人教師和合作者。

paper //www.slbooth.com/HRI_2022_HCL_for_HRI.pdf ?

引言

人工智能(AI)近年來獲得了相當大的關注和興奮。人工智能被廣義地定義為通過編程讓計算機承擔類似人類的認知過程的努力，它最近的突出與機器學習(ML)的成功密切相關，這是一種開發方法AI系統使用真實世界的例子。ML方法適用于各種各樣的用例;因此，基于人工智能的工具在經濟和生活的各個領域都有大量出現。

人力資源領域也不例外。事實上，據統計，目前有超過250種基于人工智能的商業人力資源工具，提供了許多承諾和令人興奮的東西。除了快速處理信息的能力，這些工具還具有改進人力資源流程的潛力，從而實現更好的決策和結果。它們的多樣性反映了人工智能最近的進步所激發的創造力和創新，因為它們的創造者尋求解決長期存在的挑戰人力資源和擴展能力到新的領域。

與此同時，這種工具的泛濫和多樣性造成了一個令人困惑的局面，特別是因為大多數人力資源專業人員認為他們不具備評估這些工具所需的技術專長。因此，本Toolkit的第一個目標是為人力資源專業人員提供基本的人工智能知識，以幫助他們評估基于人工智能的工具。該工具包的第二個目標是為人力資源中負責任和合乎道德的使用人工智能提供指導。近年來，人工智能系統所帶來的道德挑戰影響越來越大，尤其是在人力資源領域。關于人工智能道德使用的廣泛原則，包括隱私、公平、透明和可解釋性，全球越來越達成共識，但關于如何實施這些原則的指導有限。該工具包是該中心更廣泛努力的一部分第四次工業革命，幫助組織將負責任的人工智能原則付諸實踐。

該工具包的最終目標是幫助組織有效地使用基于人工智能的人力資源工具。許多組織發現他們投資艾達不到他們的期望,因為工具是采用了錯誤的原因,他們并不預期工作必要的集成工具,或者因為他們沒有獲得足夠的支持的人應該使用它還是受到它的影響。因此，該工具箱，特別是附帶的檢查清單，將重點放在評估基于人工智能的產品以及支持其使用所需的組織實踐上。

人力資源中人工智能的平衡觀點

這個工具箱是一個協作的成果人力資源專業人士、專業協會、初創公司、大公司、就業律師、人工智能倫理學家，數據科學家，以及各種學科的學者。他們有著共同的愿望，希望促進人工智能在人力資源領域的負責任使用，但他們的觀點和關注點各不相同。在這個范圍的一端，有些人非常擔心在人力資源中使用人工智能的潛在缺點。另一方面，有些人認識到有必要負責任地實施人工智能，但他們堅信基于人工智能的工具有改進的潛力人力資源的結果。在人力資源中使用人工智能的一個張力是必須承認人力資源管理實踐目前存在的缺陷，無論是由人類還是由關鍵字過濾和評估測試等非人工智能系統執行。與其他方法相比，人工智能系統往往面臨更大的審查。雖然一些社區成員認為這種審查是必要的，但其他人認為它忽略了當前實踐中類似或可能更大的問題。該工具包旨在展示這些不同的視角，消除人工智能算法本質上是客觀和公平的誤解，同時強調需要認識到當前實踐中的缺陷。

Toolkit結構

該工具箱由三個組件組成。該指南概述了人力資源中的人工智能，人工智能如何工作，以及負責任地采用和監控人工智能系統的關鍵考慮因素。該指南的每個部分都有兩份問卷。工具評估清單的重點是決定采用特定的基于人工智能的人力資源工具。它包括兩個要問的問題：供應商(或工具的內部創建者)以及組織為了成功使用工具而需要考慮的問題。計劃檢查表側重于組織的優先級、政策和程序。它的目的是幫助組織戰略性地思考他們想要如何使用人力資源中的人工智能，并建立系統以支持其負責任和有效的使用。

這個更新的第二版提供了機器學習算法和架構設計的指導。它提供了醫療保健領域智能系統的真實應用，并涵蓋了管理大數據的挑戰。

這本書已經更新了在海量數據，機器學習和人工智能倫理的最新研究。它涵蓋了管理海量數據復雜性的新主題，并提供了復雜機器學習模型的例子。來自全球醫療服務提供商的實證研究展示了大數據和人工智能在對抗慢性和新疾病(包括COVID-19)方面的應用。探討了數字醫療、分析和人工智能在人口健康管理中的未來。您將學習如何創建機器學習模型，評估其性能，并在您的組織內運作其結果。來自主要醫療服務提供商的研究覆蓋了全球數字服務的規模。通過案例研究和最佳實踐，包括物聯網，提出了評估人工智能機器學習應用的有效性、適用性和效率的技術。

您將了解機器學習如何用于開發健康智能，其目的是改善患者健康、人口健康，并促進顯著的護理支付方成本節約。

//link.springer.com/book/10.1007/978-1-4842-6537-6#about

你會： 了解關鍵機器學習算法及其在醫療保健中的使用和實現 實現機器學習系統，如語音識別和增強深度學習/人工智能 管理海量數據的復雜性 熟悉人工智能和醫療保健最佳實踐、反饋循環和智能代理

我們正看到人工智能在醫學領域的崛起。這有可能顯著改善醫療保健的診斷、預防和治療。現有的許多應用都是關于利用人工智能快速判讀圖像的。在利用NLP改善臨床工作流程和患者結果方面，我們有許多開放的機會。

在演講中，我討論了一些臨床NLP的機會，規劃了基本的NLP任務，并參觀了可用的編程資源——Python庫和框架。許多這些工具庫使得利用最先進的NLP研究在臨床文本上建立模型非常容易。在演講的最后，我還分享了一些數據資源來探索并開始破解。

地址：

//www.trivedigaurav.com/blog/clinical-text-processing-with-python/