Koneoppiminen ja päätelmien luotettavuus

Työpaketissa kehitetään koneoppimismalleja rekisteridatan analysointiin ja arvioidaan minkälaisia vaatimuksia eri mallinnus- ja päättelypäämäärät kuten kausaalinen mallintaminen, algoritmeihin perustuva päätöksenteko, yksilökohtainen ennustaminen, tai populaatiotason prosessien mallintaminen asettavat datalle. Tieteen- ja teknologiantutkimus ja filosofia tuovat työpakettiin refleksiivisyyttä kysymällä mm. minkälaista taustatietoa, asiantuntemusta ja datalukutaitoa mallien rakentaminen ja hyödyntäminen edellyttävät? Kuinka datan ja rekisteriaineistojen puutteellisuus, virheet, vinoumat tai esimerkiksi kirjauskäytäntöjen muutokset vaikuttavat malleihin ja niistä tehtäviin päätelmiin?

Teeman yhteyshenkilö

Pekka Marttinen

Apulaisprofessori

Koneoppiminen, Aalto-yliopisto

pekka.marttinen@aalto.fi

Linkki tutkijaprofiiliin

Kirjoituksia tästä teemasta

Näkökulmia tekoälyyn: Tekoäly ja asiantuntijatyön muutos

Näkökulmia tekoälyyn: Tekoäly ja asiantuntijatyön muutos

Tekoälyn käyttöönotto työpaikoilla on vasta alussa. Tähän asti tekoäly on ollut asiantuntijoille pikemminkin uusi resurssi kuin uhka, mutta tulevaisuudessa myös asiantuntijatehtävissä toimivat joutuvat miettimään kuinka ihmisen ja koneen yhteistyö olisi parasta...

lue lisää
Tekoälystä tietoturvallista

Tekoälystä tietoturvallista

Antti Honkela, apulaisprofessori, TkT, Tietojenkäsittelytieteen osasto, Helsingin yliopisto Tämä teksti on julkaistu Eduskunnan tulevaisuusvaliokunnan raportissa Tekoälyratkaisut tänään ja tulevaisuudessa (Tulevaisuusvaliokunta 1/2022). Voit lukea koko raportin...

lue lisää
Puhutko dataa?

Puhutko dataa?

Tiedekulma järjestää ohjelmasarjan Ihmisten tekoäly 21.-30.9.2021, joka koostuu neljästä livestriimistä. DataLitistä keskusteluun osallistuvat Antti Honkela, Anna-Mari Rusanen, Karoliina Snell ja Petri Ylikoski kahdessa eri sessiossa: Kenen tekoäly? 21.9. klo 17 Miten...

lue lisää

Teeman tieteelliset julkaisut

Gao, Y., Ji, S., Zhang, T., Tiwari, P., and Marttinen, P. (2022). Contextualized graph embeddings for adverse drug event detection. The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2022).

Rissanen, S. and Marttinen, P. (2021). A Critical Look at the Consistency of Causal Estimation with Deep Latent Variable Models. Thirty-fifth Conference on Neural Information Processing Systems (NeurIPS 2021).

Cui, T., Havulinna, A., Marttinen, P.*, and Kaski, S.* (2021). Informative Bayesian Neural Network Priors for Weak Signals. Bayesian Analysis, 1-31.

Sun, W, Ji, S., Cambria, E., and Marttinen, P. (2021). Multitask recalibrated aggregation network for medical code prediction. The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2021)