机器学习可解释性,Interpretability and Explainability in Machine Learning

  • Overview As machine learning models are increasingly being employed to aid decision makers in high-stakes settings such as healthcare and criminal justice, it is important to ensure that the decision makers (end users) correctly understand and consequently trust the functionality of these models. This graduate level course aims to familiarize students with the recent advances in the emerging field of interpretable and explainable ML. In this course, we will review seminal position papers of the field, understand the notion of model interpretability and explainability, discuss in detail different classes of interpretable models (e.g., prototype based approaches, sparse linear models, rule based techniques, generalized additive models), post-hoc explanations (black-box explanations including counterfactual explanations and saliency maps), and explore the connections between interpretability and causality, debugging, and fairness. The course will also emphasize on various applications which can immensely benefit from model interpretability including criminal justice and healthcare.
72

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
【哈佛大学】机器学习的黑盒解释性,52页ppt
专知会员服务
126+阅读 · 2020年5月27日
【哈佛《CS50 Python人工智能入门》课程 (2020)】
专知会员服务
89+阅读 · 2020年4月12日
【课程】概率图模型,卡内基梅隆大学邢波
专知会员服务
58+阅读 · 2019年11月4日
2019年机器学习框架回顾
专知会员服务
29+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
61+阅读 · 2019年10月10日
AI可解释性文献列表
专知
38+阅读 · 2019年10月7日
机器学习线性代数速查
机器学习研究会
17+阅读 · 2018年2月25日
吴恩达机器学习课程
平均机器
8+阅读 · 2018年2月5日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
34+阅读 · 2017年12月10日
资源|斯坦福课程:深度学习理论!
全球人工智能
15+阅读 · 2017年11月9日
可解释的CNN
CreateAMind
16+阅读 · 2017年10月5日
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Arxiv
18+阅读 · 2018年10月25日
Arxiv
18+阅读 · 2018年2月14日
Arxiv
14+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
【哈佛大学】机器学习的黑盒解释性,52页ppt
专知会员服务
126+阅读 · 2020年5月27日
【哈佛《CS50 Python人工智能入门》课程 (2020)】
专知会员服务
89+阅读 · 2020年4月12日
【课程】概率图模型,卡内基梅隆大学邢波
专知会员服务
58+阅读 · 2019年11月4日
2019年机器学习框架回顾
专知会员服务
29+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
61+阅读 · 2019年10月10日
相关资讯
AI可解释性文献列表
专知
38+阅读 · 2019年10月7日
机器学习线性代数速查
机器学习研究会
17+阅读 · 2018年2月25日
吴恩达机器学习课程
平均机器
8+阅读 · 2018年2月5日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
34+阅读 · 2017年12月10日
资源|斯坦福课程:深度学习理论!
全球人工智能
15+阅读 · 2017年11月9日
可解释的CNN
CreateAMind
16+阅读 · 2017年10月5日
相关论文
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Arxiv
18+阅读 · 2018年10月25日
Arxiv
18+阅读 · 2018年2月14日
Arxiv
14+阅读 · 2018年2月7日
Arxiv
4+阅读 · 2017年11月14日
微信扫码咨询专知VIP会员