机器学习的假设：训练集和测试集要来自同一分布
可解释机器学习导论
细粒度图像分类（类别比较像，但是彼此不同）
可解释性算法：KNN分类、logistic regression（二分类问题）、线性回归、决策树、朴素贝叶斯
传统机器学习算法的可解释性分析：
- 算法自带的可视化
- 算法自带的特征权重
- Permutation Importance置换重要度
- PDP图、ICE图
- Shapley值
- Lime
ChatGPT: Optimizing
Language Models for Dialoguehttps://openai.com/blog/chatgpt/
深度学习（深度神经网络）的可解释性很差
卷积神经网络
input：数据是图像格式
output：数据是什么
超参数：卷积核个数、尺寸、pooling的步长和大小、全连接层的神经元数量
https://www.jianshu.com/p/a80cdbfa6908
计算机视觉
IMAGENET
图像分类问题
