主题: Predictive Models: Explore, Explain, and Debug,Human-Centered Interpretable Machine Learning

简介: 在这本书中,我们提出了一系列可用于模型验证、模型探索和模型决策解释的方法。由于这类方法的发展是一个非常活跃的研究领域,而且新方法几乎是在连续的基础上出现的,因此我们并不打算穷尽所有的方法。相反,我们提出了思维定势、关键问题和一些可用于模型探索的方法示例。

作者介绍: Przemyslaw Biecek,华沙理工大学的副教授和华沙大学的助理教授。他的研究方向是大型复杂数据的预测建模、数据可视化和模型可解释性。http://pbiecek.github.io/index.html

Tomasz Burzykowski,博士,哈塞尔特大学理学院教授。https://www.uhasselt.be/fiche_en?email=tomasz.burzykowski

成为VIP会员查看完整内容
36

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
可解释强化学习,Explainable Reinforcement Learning: A Survey
专知会员服务
126+阅读 · 2020年5月14日
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
194+阅读 · 2020年2月24日
AI可解释性文献列表
专知
42+阅读 · 2019年10月7日
可解释AI(XAI)工具集—DrWhy
专知
25+阅读 · 2019年6月4日
Reinforcement Learning: An Introduction 2018第二版 500页
CreateAMind
11+阅读 · 2018年4月27日
已删除
将门创投
3+阅读 · 2018年4月10日
Andrew NG的新书《Machine Learning Yearning》
我爱机器学习
11+阅读 · 2016年12月7日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
19+阅读 · 2018年10月25日
Arxiv
16+阅读 · 2018年2月7日
Arxiv
4+阅读 · 2017年11月14日
VIP会员
相关VIP内容
可解释强化学习,Explainable Reinforcement Learning: A Survey
专知会员服务
126+阅读 · 2020年5月14日
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
194+阅读 · 2020年2月24日
相关资讯
微信扫码咨询专知VIP会员