Ramesh johari
Universitatea Stanford
Voi descrie o metodologie statistică nouă care a fost implementată de platforma comercială de testare A/B Optimizely pentru a comunica rezultatele experimentale clienților lor. Metodologia noastră abordează problema conform căreia valorile p tradiționale și intervalele de încredere oferă o inferență nesigură. Acest lucru se datorează faptului că utilizatorii software-ului de testare A/B sunt cunoscuți că monitorizează continuu aceste măsuri pe măsură ce experimentul se desfășoară. Oferim întotdeauna valori p valide și intervale de încredere care sunt dovedit robuste în acest sens. Acest lucru nu numai că face ca un utilizator să monitorizeze continuu în siguranță, dar îl împuternicește să detecteze efectele adevărate mai eficient. Voi acoperi de ce monitorizarea continuă este o problemă și cum o soluționează soluția noastră.
Discuția va fi prezentată la un nivel care nu presupune prea mult fond statistic.
Ramesh Johari este profesor asociat la Universitatea Stanford, cu o numire cu normă întreagă în Departamentul de Management și Inginerie (MS&E) și numiri de curtoazie în Departamentele de Informatică (CS) și Inginerie Electrică (EE). Este membru al grupului de Cercetare Operațională și al Laboratorului de Algoritmi Sociali (SOAL) în MS&E, al Laboratorului de Sisteme Informaționale (ISL) din EE și al Institutului de Inginerie Calculatoare și Matematică (ICME).
Aflați mai multe despre grupul de interacțiune om-calculator din Stanford: https://hci.stanford.edu
Aflați despre certificatul de absolvent al lui Stanford în HCI: https://online.stanford.edu/programs/human-computer-interaction-graduate-certificate
Vezi playlistul complet: https://www.youtube.com/playlist?list=PLoROMvodv4rMyupDF2O00r19JsmolyXdD&disable_polymer=true
Cursuri interesante:
- Învățare statistică: 10.7 Interpolare și coborâre dublă
- Învățare statistică: interacțiuni 3.Py, predictori calitativi și alte detalii I 2023
- Învățare statistică I Prezentarea lui Jonathan – a treia ediție a cursului I 2023
- Învățare statistică: Clasificarea documentelor 10.Py și rețelele neuronale recurente I 2023
- Învățare statistică: 12.Py Clustering I 2023
- Învățare statistică: 5.Py Bootstrap I 2023
- Învățare statistică: 13.Py Multiple Testing I 2023
- Învățare statistică: 13.Py False Discovery Rate I 2023
- Învățare statistică: 6.10 Regresia componentelor principale și cele mai mici pătrate parțiale
- Învățare statistică: 7.3 Spline de netezire