Task1：预备知识学习

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

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容