论机器学习模型的可解释性

为了在构建可表明的AI方面取得乐成，我们必要将数据科学常识、算法和最终用户的专业常识团结起来。建设模子之后，数据科学的事变还没有竣事。这是一个可迭代的、经过专家提供反馈闭环的凡是很漫长的进程，以确保功效是靠得住的而且可被人类所领略。

我们坚信，通过团结人类的专业常识与呆板的机能，我们可以得到最佳结论：改造呆板功效并降服人类直觉的毛病。

参考资料:

• On-line and web-based: Analytics, Data Mining, Data Science, Machine Learning education：https://www.kdnuggets.com/education/online.html
• Software for Analytics, Data Science, Data Mining, and Machine Learning：https://www.kdnuggets.com/software/index.html

相干信息:

• Are BERT Features InterBERTible：https://www.kdnuggets.com/2019/02/bert-features-interbertible.html
• Artificial Intelligence and Data Science Advances in 2018 and Trends for 2019：https://www.kdnuggets.com/2019/02/ai-data-science-advances-trends.html
• The year in AI/Machine Learning advances: Xavier Amatriain 2018 Roundup：https://www.kdnuggets.com/2019/01/xamat-ai-machine-learning-roundup.html

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!