2、深度学习可解释性入门与发展历程

深度学习可解释性入门与发展历程

适合阅读人群

深度学习（DL）和人工智能（AI）领域发展迅速，相关知识适合广泛的人群学习。包括正在学习AI和智能世界变革的本科生和研究生，以及刚开启DL和AI职业生涯的新手。更具体的人群有数据科学家、软件工程师、统计学家，还有那些虽没有计算机科学或统计学背景，但想快速获取知识并在创新或平台中使用DL的技术爱好者。此外，想要了解使模型更清晰易懂技术的AI从业者也适合学习。

深度学习术语解释

在数据科学领域，像AI、DL、量子计算和区块链等流行术语随处可见。以下是一些重要术语的解释：
|术语|解释|
| ---- | ---- |
|准确性（Accuracy）|模型预测“正确”与“错误”的比例。正确性在分类任务中可能是离散的，在目标检测中可能是模糊的。还有Top - 1、Top - 3、Top - 5准确性等术语。|
|标注（Annotation）|对数据进行标记、标签或转录的过程，也可指标记本身。在计算机视觉（CV）和自然语言处理（NLP）中有不同的应用形式，标注的准确性对模型学习至关重要。|
|算法（Algorithm）|一组达到特定目标的规则或步骤，机器通过它将外界数据和属性转化为有意义的信息。|
|架构（Architecture）|DL模型由神经元层和相邻层神经元之间的数据连接组成，特定的DL架构通常需要额外信息来解释其如何解决一类任务。|
|人工智能（AI）|计算机科学的一个广泛领域，1956年在达特茅斯学院的夏季会议上首次提出。AI负责模拟智能机器完成通常需要人类智能的任务，应用集中在学习、推理和自我修正三种认知技能上。|
|黑盒模型（Black - box