可解释机器学习 Task01-导论

原创 已于 2022-12-14 01:25:19 修改 · 203 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #python

于 2022-12-14 01:18:58 首次发布
本文介绍了可解释机器学习的概念及其重要性，对比了传统人工智能的黑盒特性，强调了洞悉AI内部工作原理的价值。文章列举了几种具备良好可解释性的经典机器学习算法，并探讨了深度学习模型尤其是卷积神经网络在可解释性方面的挑战。

可解释机器学习 Task01-导论

一、什么是可解释机器学习（可解释人工智能）

传统人工智能的痛点

目前的人工智能与机器学习就像是一个黑盒子，我们目前大部分能够做到的就是调包、输入数据、调参，非常的难以作为。
在这里插入图片描述

可解释机器学习

可解释机器学习就是研究如何打开人工智能的黑箱子，洞悉人工智能的脑回路和注意力，进而解释它、了解它、改进它、信赖它，知其然也知其所以然。

二、为什么要学习可解释机器学习

  • 研究AI的脑回路，就是研究AI的本质
  • 研究AI的脑回路，就是研究AI的本质
  • 可解释分析是机器学习和数据挖掘的通用研究方法
  • 和所有AI方向交叉融合:数据挖掘、计算机视觉、自然语言处理、强化学习、知识图谱、联邦学习。
  • 包括但不限于:大模型、弱监督、缺陷异常检测、细粒度分类、决策AI和强化学习、图神经网络、AI纠偏、AI4Science、MachineTeaching、对抗样本、可信计算、联邦学习。

从 MachineLearning 到 MachineTeaching

人工智能的算法是通过大量数据的训练完成的，可以把从海量数据中提取到的微观的、人眼不易提取的特征交给人类，辅助人类学习（AI专家）。

例子

  • 腾讯绝艺围棋AI指导棋——以指导为目的与人类选手进行围棋博弈，其中右上角的非常破空手段值得人类学习。
    在这里插入图片描述
  • 百度制作的富春山居图的AI补全：
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 人工智能帮助人类理解CT病灶所在区域
    在这里插入图片描述

三、本身可解释性好的机器学习算法

KNN分类

在这里插入图片描述

逻辑回归

在这里插入图片描述

决策树

在这里插入图片描述

特征重要性

在这里插入图片描述

四、深度学习的可解释性很差

以卷积神经网络为例

在这里插入图片描述

【数学建模导论】Task04 机器学习
Sullivan-Hua 的博客
08-04 1266
机器学习本身就是统计模型的延伸
机器学习三大基本任务_Task01
Tinali_127的博客
03-15 665
1.导论 什么是机器学习？机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。数据通常由一组向量组成，这组向量中的每个向量都是一个样本，我们用xix_ixi​来表示一个样本，其中i=1,2,3,...,Ni=1,2,3,...,Ni=1,2,3,...,N,共N个样本，每个样本xi=(xi1,xi2,...,xip,yi)x_i=(x_{i1},x_{i2},...,x_{ip},y_i)xi​=(xi1​,xi2​,...,xip​,yi​)共p+1个维度，前p个维
可解释机器学习-Task01-导论
1nnoh 的博客
12-16 610
什么是可解释人工智能？学可解释机器学习有什么用？如何对传统机器学习、深度学习做可解释性分析？
人工智能导论-机器学习
m0_73366745的博客
07-18 1918
本章主要介绍的机器学习的概念、发展历程、发展趋势、相关应用，着重拓展机监督学习和无监督学习的相关知识。重点：机器学习的定义和应用；难点：机器学习算法及分类。定义：机器学习（Machine Learning）本质上就是让计算机在数据中学习规律，并根据所得到的规律对未来数据进行预测。基本思路：让机器模仿人类学习行为的过程。如人类解决新问题一般是通过“经验归纳，总结规律，从而预测未来”的过程。NFL定理（No Free Lunch）一个算法A若在某些问题上比算法B好，必定存在一些特殊问题使得算法B比A 好。
【机器学习】李宏毅 - 01 机器学习导论
wyw970624的博客
10-09 517
李宏毅机器学习/深度学习 Datawhale 打卡202210 Task 01
【打卡笔记Task01】可解释机器学习之导论
weixin_43754226的博客
12-13 208
【DataWhale可解释机器学习打卡笔记】
斯坦福CS224W图机器学习Task01图机器学习导论
yyccx的博客
02-13 387
图的相关知识，所用编程工具，相关应用及发展。 CS224W子豪兄讲解视频笔记 Datawhale2023/02打卡
集成学习(上)：机器学习基础task1-熟悉机器学习的三大主要任务
菊头蝙蝠的博客
03-15 657
集成学习：机器学习基础1.导论1.1 回归1.2 分类1.3 无监督学习2. 使用sklearn构建完整的机器学习项目流程2.1 使用sklearn构建完整的回归项目 1.导论 什么是机器学习？机器学习的一个重要的目标就是利用数学模型来理解数据，发现数据中的规律，用作数据的分析和预测。数据通常由一组向量组成，这组向量中的每个向量都是一个样本，我们用xix_ixi​来表示一个样本，其中i=1,2,3,...,Ni=1,2,3,...,Ni=1,2,3,...,N,共N个样本，每个样本xi=(xi1,xi2,.
[可解释机器学习]Task03：[算法]CAM
m0_59286668的博客
12-17 626
CAM算法的论文阅读笔记
Datawhale学习打卡-数学建模导论（下）Task1
2302_77608969的博客
07-24 1323
数学建模中的数据处理以及常见的数据模型
第一章 导论机器学习.pptx
09-19
机器学习是计算机科学的一个分支，它致力于研究如何让计算机通过经验学习和改进，从而提高在特定任务上的性能。这一领域的核心在于三个要素：任务（Task）、性能度量（Performance Measure）和经验（Experience）。...
Datawhale学习打卡-数学建模导论（下）Task2
2302_77608969的博客
07-31 1321
权重生成与评价模型
Math - 中心化，标准化和归一化
guoqx的专栏
12-30 789
摘要：归一化是将数据转换为统一尺度的处理方法，消除量纲差异，便于比较与分析。常见方法包括Min-Max缩放（线性映射到固定区间）和Z-score标准化（均值0，标准差1）。Min-Max适用于需要固定范围的情况，但对异常值敏感；Z-score适用于单位不同或存在离群值的场景。归一化在数据分析、信号处理和机器学习中广泛应用，需根据数据分布和算法需求选择合适方法，并注意保存参数以确保一致性。流程包括数据清洗、方法选择、拟合转换和效果评估。
人工智能基础篇：概念性名词浅谈（第十五讲）
m0_53104033的博客
12-31 801
本文介绍了两种改进的自编码器模型。正则自编码器通过在损失函数中添加正则化项，实现了对稀疏表示、噪声鲁棒性等特性的学习，突破了传统自编码器的容量限制。随机编码器则通过向编解码器注入噪声，形成生成模型架构，其训练目标是最小化输入与重构间的负对数似然。文章还特别介绍了针对矩阵数据的改进版本MRAE及其在异常检测中的应用。这些模型通过不同的正则化机制，有效提升了自编码器的特征学习能力。
2025年终总结
李梨同学的博客
12-31 798
以往，想把一个产品从想法变成现实，往往离不开一整条由“螺丝钉”拼出来的流水线：需求评审、产品对接、研发排期、测试上线，每一步都要仰赖他人的时间与资源。我试图推倒技术的高墙，用通俗有趣的语言，把晦涩的AI原理“翻译”给更多人听。这条路注定充满了不确定性。正是这风暴般的时代，打破了旧有的壁垒，赋予了像我这样曾经“不务正业”的个体前所未有的杠杆。这一年，我拒绝做一个默默敲代码的“独行侠”，决定走出去，构建自己的知识品牌。三年后再次站在时间的节点回望，这一年于我而言，是从“被浪推着走”到“学会造浪”的转折点。
6神经网络框架
疯帽子的博客，满脑子都是些“为什么乌鸦像写字台”的问题
12-27 1887
本文系统介绍了神经网络的基本框架和发展过程。首先指出线性模型的局限性，说明其无法拟合复杂非线性关系。接着引入分段线性曲线和Sigmoid函数，通过参数调节实现曲线拟合。随后详细阐述了神经网络的构建过程：从单输入扩展到多特征输入，引入矩阵运算简化表达式，并说明激活函数的作用。最后介绍深度学习中ReLU激活函数的优势，其简单计算特性可有效组合成复杂曲线。全文通过数学公式和图示相结合，清晰展现了神经网络从线性模型到深度学习框架的演进逻辑。
GitHub 热榜项目 - 日榜(2026-1-1)
最新发布
CoderJia的学习之路
01-01 873
本期GitHub热榜显示AI应用开发正全面渗透各技术领域，前沿项目聚焦于解决实际工程问题。Gemini的电脑使用预览和Timescale的pg-aiguide展示了AI与开发工具深度整合，通过MCP服务器提升代码生成质量。Pathway框架和docetl系统凸显流式ETL与LLM管道技术成熟，推动实时数据分析与RAG应用落地。同时，来自ResembleAI的Chatterbox和TrendRadar分别代表语音合成与智能信息聚合的技术突破，Deep-Live-Cam则体现单图视频生成技术的平民化趋势。这些项
2025年智能体架构与主流技术深度研究报告：从生成式AI迈向自主执行层
chengoodflower的博客
12-30 799
在2025年，智能体的记忆技术已经超越了简单的向量检索增强生成（Naive RAG），向着结构化、分层化和具有自我管理能力的**操作系统级记忆（OS-Level Memory）**演进。这简化了智能体的架构，使得开发者无需维护独立的推理服务即可实现高质量的检索。：在多智能体系统（Multi-Agent Systems）中，o3 被广泛用于担任“编排者（Orchestrator）”或“团队领导（Team Lead）”的角色，负责将模糊的用户需求转化为具体的子任务序列，并分配给其他更快速的模型去执行。
Photoshop 图形与图像处理技术——第5章：路径与形状的应用
2401_82750246的博客
12-30 847
本文详细介绍了Photoshop中路径和形状工具的应用方法。主要内容包括：1.路径工具的使用技巧，包括钢笔工具、路径选择工具的操作方法，以及路径的编辑、填充和描边等功能；2.形状工具的绘制方法，涵盖矩形、多边形、直线等基本形状的创建与编辑；3.路径与选区之间的转换技巧；4.通过实例演示如何运用路径和形状工具完成"直降专区"文字变形效果和背景设计。文章系统讲解了路径和形状工具的各项参数设置，并提供了实用的操作技巧，是掌握Photoshop矢量绘图功能的重要参考。
人工智能导论三任务实践包0407
三是机器学习入门任务，比如利用监督学习方法对小型数据集进行分类或回归分析，常见于使用Python中的Scikit-learn库实现K近邻（KNN）、决策树或线性回归等模型。这些任务的设计目的在于帮助初学者建立对人工智能技术...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值