文章 2023-01-18 来自:开发者社区

【机器学习】线性回归——最小二乘法的概率解释高斯噪声(理论+图解+公式推导)

2021人工智能领域新星创作者,带你从入门到精通,该博客每天更新,逐渐完善机器学习各个知识体系的文章,帮助大家更高效学习。概述对于之前的文章我们使用了最小二乘估计然后获得了损失函数:L ( w ) = ∑ i = 1 m ( w T x i − y i ) 2 L(w)=\sum_{i=1}^m...

【机器学习】线性回归——最小二乘法的概率解释高斯噪声(理论+图解+公式推导)
文章 2022-11-24 来自:开发者社区

代码案例详解!如何让机器学习模型自解释!⛵

作者:韩信子@ShowMeAI 机器学习实战系列:https://www.showmeai.tech/tutorials/41 本文地址:https://www.showmeai.tech/article-detail/337 声明:版权所有,转载请联系平台与作者并注明出处 收藏ShowMeAI查看更多精彩内容近年来,可解释的人工智能(XAI)和可解释的机器学习引起了越来越多的关注,因为直接把.....

代码案例详解!如何让机器学习模型自解释!⛵
文章 2022-11-23 来自:开发者社区

机器学习的四个分支及分类回归常用术语解释

机器学习算法可分为四大类:一、监督学习二分类、多分类及标量回归问题都属于监督学习。即给定一组样本(样本通常需要人工进行标注),通过这组样本的学习,当输入未标注的数据时会自动映射到已知目标(人工标注)。监督学习还包括几种除分类回归外的任务:1.序列生成:给定一张图像...

文章 2022-11-02 来自:开发者社区

Umang 谈部署可解释机器学习面临的挑战(下)

结果由 theta 参数化的实验的目标是找到给出上述结果的一些 delta。这里,fθf_θfθ是模型A,fθ+δf_{θ+δ}fθ+δ是模型B。Umang 正在研究的是重要性排名。在这里,他们正在查看 14 个特征。他们可以采用特征重要性排名,并根据赋予它们的归因大小对特征进行排名。下面展示了关于不同解释技术的判别...

Umang 谈部署可解释机器学习面临的挑战(下)
文章 2022-11-02 来自:开发者社区

Umang 谈部署可解释机器学习面临的挑战(上)

在实践中如何使用现有的可解释性方法?Umang 提到了围绕 XAI(可解释 AI)的文献大幅增长。特别是,旨在“解释”机器学习输出的提议算法的增加。有了这个观察结果,Umang 的团队着手做的事情之一就是研究组织如何使用这些算法。研究访谈在他们的研究中,他们对来自 30 个不同组织的 50 人进行了半结构化访谈&...

Umang 谈部署可解释机器学习面临的挑战(上)
文章 2022-06-06 来自:开发者社区

可解释的机器学习|深度学习(李宏毅)(十一)

一、概述分类通常一个深度学习模型是黑盒子的,但我们也希望有一些方法来使得模型是可解释的(Explainable/Interpretable)。可解释的机器学习技术分为Local Explanation和Global Explanation两种。对于一个图像识别模型来说,Local Explanation指的是:Why do y...

可解释的机器学习|深度学习(李宏毅)(十一)
文章 2021-12-26 来自:开发者社区

关于机器学习和AI的区别最经典的解释

互联网和移动互联网兴起后,各种经典段子满天飞。很多段字反映出段子手很有才。这不,关于机器学习与人工智能(AI)的区别,最近有一个段字红爆业界:翻译成中文就是,机器学习和AI的区别:如果使用Python写的,那可能是机器学习如果使用PPT写的,那可能是AI上面这个段子来自微软工程师Mat...

关于机器学习和AI的区别最经典的解释
文章 2021-12-21 来自:开发者社区

⚡机器学习⚡广义的解释正则化(Regularization)

今天算是⚡正式开学⚡了~一年过得真快,这就研二了o(╥﹏╥)o呜呜呜。。。怎么就开学了(我还没放假呢).❤更新一篇Blog打卡一下吧!❤⚡新学期⚡,⚡新气象⚡,⚡新风貌⚡来迎接新挑战!!!加油!!!搜罗了很多正则化(...

⚡机器学习⚡广义的解释正则化(Regularization)
文章 2021-12-19 来自:开发者社区

12 月机器学习新书:《可解释机器学习方法的局限》,免费下载!

12 月 9 日,一本机器学习新书上线了,它就是《Limitations of Interpretable Machine Learning Methods》,中文译为《可解释机器学习方法的局限性》。书籍简介:这本书主要解释了当前可解释机器学习方法的局限性。这些方法包括部分相关图(PDP)、累积局部效应ÿ...

12 月机器学习新书:《可解释机器学习方法的局限》,免费下载!
文章 2021-12-18 来自:开发者社区

【通俗易懂】机器学习中 L1 和 L2 正则化的直观解释

机器学习中,如果参数过多,模型过于复杂,容易造成过拟合(overfit)。即模型在训练样本数据上表现的很好,但在实际测试样本上表现的较差,不具备良好的泛化能力。为了避免过拟合,最常用的一种方法是使用使用正则化,例如 L1 和 L2 正则化。但是,正则化项是如...

【通俗易懂】机器学习中 L1 和 L2 正则化的直观解释

本页面内关键词为智能算法引擎基于机器学习所生成,如有任何问题,可在页面下方点击"联系我们"与我们沟通。

阿里云机器学习平台PAI

阿里云机器学习PAI(Platform of Artificial Intelligence)面向企业及开发者,提供轻量化、高性价比的云原生机器学习平台,涵盖PAI-iTAG智能标注平台、PAI-Designer(原Studio)可视化建模平台、PAI-DSW云原生交互式建模平台、PAI-DLC云原生AI基础平台、PAI-EAS云原生弹性推理服务平台,支持千亿特征、万亿样本规模加速训练,百余落地场景,全面提升工程效率。

+关注