机器学习的可解释性：黑盒vs白盒（内附开源学习书） | Deep Reading
点击上方↑↑↑蓝字关注我们~ 「2019 Python开发者日」7折优惠最后2天，请扫码咨询 ↑↑↑ 作者 | Lars Hulstaert 译者 | Linstancy 责编 | Jane 出品 | AI科技大本营（公众号id：rgznai100） 【导语】模型的可解释性是大多数机器学习系统都需要的一种能力，即能向用户解释模型能做出这些预测的原因。在本篇文章中，作者将与大家探讨一些可用于解释机器
相关文章
- 1. 机器学习瓶颈 - 从黑盒白盒之争提及
- 2. 深度学习黑盒的解释性的理论工具
- 3. 黑盒和白盒
- 4. 可微编程：打开深度学习的黑盒子
- 5. 学习之路十三：白盒测试和黑盒测试
- 6. 西瓜书《机器学习》中机器学习的可解释性总结
- 7. 可解释性机器学习
- 8. 黑盒、白盒框架
- 9. 白盒黑盒测试
- 10. H5学习弹性盒模型详解
- 更多相关文章...
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • 我们已经学习了 SQL，下一步学习什么呢？ - SQL 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • 适用于PHP初学者的学习线路和建议
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 机器学习瓶颈 - 从黑盒白盒之争提及
- 2. 深度学习黑盒的解释性的理论工具
- 3. 黑盒和白盒
- 4. 可微编程：打开深度学习的黑盒子
- 5. 学习之路十三：白盒测试和黑盒测试
- 6. 西瓜书《机器学习》中机器学习的可解释性总结
- 7. 可解释性机器学习
- 8. 黑盒、白盒框架
- 9. 白盒黑盒测试
- 10. H5学习弹性盒模型详解