论机器学习模型的可解释性

为了在构建可解释的AI方面取得成功，我们需要将数据科学知识、算法和最终用户的专业知识结合起来。创建模型之后，数据科学的工作还没有结束。这是一个可迭代的、经由专家提供反馈闭环的通常很漫长的过程，以确保结果是可靠的并且可被人类所理解。

我们坚信，通过结合人类的专业知识与机器的性能，我们可以获得最佳结论：改进机器结果并克服人类直觉的偏差。

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

相关信息:

• 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：PHP编程网 - 黄冈站长网）

【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!