<div dir="ltr"><div>Hi everyone!</div><div><br></div><div>This week at the Applied Statistics Workshop we will be welcoming <b><i>Finale Doshi-Velez,</i></b> a Professor of Computer Science at the Harvard School of Engineering and Applied Sciences. She will be presenting work entitled <span style="font-size:12.8000001907349px"><b><i>Bayesian Or-of-And Models for Interpretable Classification</i></b></span>.  Please find the abstract below and on the <a href="http://projects.iq.harvard.edu/applied.stats.workshop-gov3009/presentations/finale-doshi-velez-harvard">website</a>.</div><div><br></div><div>As usual, we will meet in CGIS Knafel Room 354 and lunch will be provided.  See you all there!</div><div><br></div><div>-- Anton</div><div><br></div><div>Title: <span style="font-size:12.8000001907349px">Bayesian Or-of-And Models for Interpretable Classification</span></div><div><br></div><div>Abstract: <span style="font-size:12.8000001907349px">Interpretability is an important factor for models to be used and trusted in many applications.  Disjunctive normal forms, also known as or-of-and models, are models with classification rules of the form &quot;Predict True if (A and B) or (A and C) or D.&quot;  They are an appealing form of classifier because one can easily trace how a classification decision was made, and has some basis in human decision-making.  In this talk, I will talk about a Bayesian approach to learning or-of-and models and describe an application to context-aware recommender systems. </span><span style="font-size:12.8000001907349px"> </span></div><br style="font-size:12.8000001907349px"><span style="font-size:12.8000001907349px">This is joint work with Tong Wang and Cynthia Rudin </span></div>