可解释机器学习PDF(英文版)
这本书共分为10个章节,从什么是机器学习和可解释的定义解释,到模型的常用解释方法和基于示例的解释,再到机器学习与可解释性的未来,内容一气呵成。
“可解释”是这本书的核心论题,作者认为,可解释性在机器学习甚至日常生活中都是相当重要的一个问题。Molnar表示,虽然数据集与黑盒机器学习解决了很多问题,但这不是最好的使用姿势,现在模型本身代替了数据成为了信息的来源,但可解释性可以提取模型捕捉到的额外信息。而这些额外的信息可能会发挥更大的作用。
对于机器学习方法可解释性,Molnar在书中进行了深刻的讨论,对线性回归、logistic回归、GLM、GAM、决策树、决策规则等可解释模型进行了细致说明。
在线性回归的解释中,Molnar认为线性回归模型中权重的解释取决于相应特征的类型,比如数字特征、二进制功能、具有多个类别的分类功能等,都对理解线性回归有帮助。
在这本书中,Molnar还内置很多解释模型各种方法的模板,方便你速查时使用。比如如果你想解释线性回归模型中的特征,直接去套用模板就可以了。
Molnar认为,在机器学习任务中,应该将研究重点放在与模型无关的可解释性工具上,在未来机器学习就是一个自动化的训练过程。
关于可解释性的未来,作为还做出了预测,认为在以后的研究中机器人和程序将尝试去解释自己。有趣值Max。
作者Christoph Molnar介绍说,这是一本关于黑盒模型可解释性的理解指南,用时两年完成,全书共250多页,七万八千多字。
neural networks and deep learning 神经网络与深度学习
《神经网络与深度学习》- Michael Nielsen
神经网络是有史以来最美丽的编程模型之一。在传统的编程方法中,我们告诉计算机该做什么,将大问题分解成许多小的、精确定义的任务,计算机可以轻松执行。相比之下,在神经网络中,我们不告诉计算机如何解决我们的问题。相反,它从观测数据中学习,找出自己的解决方案。从数据中自动学习听起来很有希望。然而,直到2006年,我们才知道如何训练深度神经网络超越更传统的方法,除了一些特殊的问题。2006年发生的变化是在产生了所谓的深度神经网络相关的技术。这些技术现在被称为深度学习。
它们得到了进一步的发展,今天,深度神经网络和深度学习在计算机视觉、语音识别和自然语言处理的许多重要问题上取得了杰出的表现。谷歌、微软和Facebook等公司正在大规模部署它们。这本书的目的是帮助你掌握神经网络的核心概念,包括深度学习的现代技术。读完这本书后,你将会编写出使用神经网络和深度学习来解决复杂模式识别问题的代码。你将有一个基础来利用神经网络和深度学习来解决你面临的问题。
deep learning state of the art(MIT深度学习各领域最新突破PPT)
这是MIT系列课程之一,有关深度学习最新进展的讲座。包括BERT、特斯拉自动驾驶仪硬件中的大规模神经网络、AdaNet、AutoAugment、BigGAN等12大类。
本文所介绍的内容是MIT系列课程之一,是有关深度学习最新进展的讲座。可以说,该课程的内容定义了这个领域的最前沿的技术。
课程提纲:
BERT和自然语言处理
特斯拉自动驾驶仪硬件v2+:大规模神经网络
AdaNet:集成的AutoML
AutoAugment:深度强化学习数据增强
用合成数据训练深度网络
使用Polygon-RNN ++进行分割注释(Segmentation Annotation)
DAWNBench:高速、低代价训练
BigGAN: 图像合成中的最先进技术
Video-to-Video合成
语义分割
Alpha Zero和Open AI Five
深度学习框架
2018世界人工智能产业发展蓝皮书
这是世界人工智能大会的2018世界人工智能产业发展深度分析报告, 包含产业发展环境, 技术环境, 全球人工智能企业, 全球投融资, 产业发展等内容
阿里计算机视觉技术精选 CVPR 顶会 2018 阿里论文
在这本干货精选集中,我们收录了多篇具有代表性的 CVPR 2018 论文。比如,拍立淘利用图像搜索和识别技术,帮助用户在移动端通过拍照就能找到相似商品;线下新零售领域,阿里用空间定位、货架商品SKU识别技术推动“人货场”数字化,并做进一步的商业分析;城市大脑项目中,阿里研发了大规模视频高效处理技术,帮助城市交通事故识别、人流轨迹判断、交通数据样本汇总。
吴恩达 Machine Learning Yearning 完整版 中文版+英文原版
吴恩达新书 Machine Learning Yearning 的完整版(中译版 + 英文原版)
恩达写这本书的目的: AI,机器学习和深度学习正在逐渐改变越来越多的行业。我写这本书《Machine Learning Yearning》的目的就是教会大家如何构建自己的机器学习项目。 这本书的目的不是教你机器学习算法理论,而是教你如何使用这些算法。一些技术AI课程会给你锤子工具,而这本书就是让你学会如何使用这些锤子工具。如果你致力于成为AI技术领导者并渴望为你的团队找到正确的方向。 阅读《Machine Learning Yearning》之后,你将能够: 优先考虑AI项目最有前途的方向。 调试机器学习项目中的错误。 在复杂设置中构建ML,例如训练/测试样本不匹配。 构建一个ML项目,接近甚至达到人类水平。 知道什么时候、如何使用端对端学习、迁移学习和多任务学习。
自然语言处理综述 第三版.zip
自然语言处理领域经典综述教材《Speech and Language Processing 》,中文名《自然语言处理综述》第三版发布。该书由NLP领域的大牛,斯坦福大学 Daniel Jurafsky教授和科罗拉多大学的 James H. Martin 教授等人共同编写。Daniel Jurafsky是斯坦福大学计算机科学教授,主要研究方向是计算语言学和自然语言处理。 James H. Martin 是科罗拉多大学博尔德分校计算机科学系一名教授,两位教授都是NLP领域知名学者。
吴恩达新书 Machine Learning Yearning 完整版
吴恩达新书 Machine Learning Yearning 的完整版 1 - 13章
压缩包中包含每一章PDF和13章合并的完整版PDF, 所有资源均为官方版, 无个人修改, 原汁原味
吴恩达写这本书的目的: AI,机器学习和深度学习正在逐渐改变越来越多的行业。我写这本书《Machine Learning Yearning》的目的就是教会大家如何构建自己的机器学习项目。 这本书的目的不是教你机器学习算法理论,而是教你如何使用这些算法。一些技术AI课程会给你锤子工具,而这本书就是让你学会如何使用这些锤子工具。如果你致力于成为AI技术领导者并渴望为你的团队找到正确的方向。 阅读《Machine Learning Yearning》之后,你将能够: 优先考虑AI项目最有前途的方向。 调试机器学习项目中的错误。 在复杂设置中构建ML,例如训练/测试样本不匹配。 构建一个ML项目,接近甚至达到人类水平。 知道什么时候、如何使用端对端学习、迁移学习和多任务学习。
探索词向量世界
国王-男人=皇后-女人?使用 PyTorch 探索语义世界!
首先让我们看下题目中的公式“国王-男人=皇后-女人”,你是不是觉着这个公式成立并且特别有道理,但是又说不出来为什么?或者你会说,这个公式成立是因为等式两边词汇的语义是相似的。哎,对!就是语义相似,只不过不仅我们人类可以发现语义的相似性,机器同样也可以。那机器是通过什么方法来理解语义的?它又是怎样得出上面的计算公式的?答案就在我们今天的文章中。
吴恩达 Machine Learning Yearning PDF 1-11
吴恩达写这本书的目的:
AI,机器学习和深度学习正在逐渐改变越来越多的行业。我写这本书《Machine Learning Yearning》的目的就是教会大家如何构建自己的机器学习项目。
这本书的目的不是教你机器学习算法理论,而是教你如何使用这些算法。一些技术AI课程会给你锤子工具,而这本书就是让你学会如何使用这些锤子工具。如果你致力于成为AI技术领导者并渴望为你的团队找到正确的方向。
阅读《Machine Learning Yearning》之后,你将能够:
优先考虑AI项目最有前途的方向。
调试机器学习项目中的错误。
在复杂设置中构建ML,例如训练/测试样本不匹配。
构建一个ML项目,接近甚至达到人类水平。
知道什么时候、如何使用端对端学习、迁移学习和多任务学习。
斯坦福CS224N课件
CS224N是斯坦福深度学习自然语言处理的课程。
自然语言处理(NLP)是信息时代最重要的技术之一。理解复杂的语言表达也是人工智能的重要组成部分。 NLP的应用无处不在,因为人们用语言沟通了大部分内容:网络搜索,广告,电子邮件,客户服务,语言翻译,放射学报告等。NLP应用程序背后有大量的基础任务和机器学习模型。最近,深度学习方法在许多不同的NLP任务中获得了非常高的性能。这些可以使用单个端到端模型解决任务,并且不需要传统的,特定于任务的功能工程。在这个冬季课程中,学生将学习如何实施,训练,调试,可视化和发明他们自己的神经网络模型。该课程全面介绍了应用于NLP的深度学习的前沿研究。在模型方面,我们将涵盖单词矢量表示,基于窗口的神经网络,递归神经网络,长短期记忆模型,递归神经网络,卷积神经网络以及涉及存储器组件的一些最新模型。通过讲座和编程作业,学生将学习使神经网络适应实际问题的必要工程技巧。
神经元可视化教程
This tutorial quickly introduces Lucid, a network for visualizing neural networks. Lucid is a kind of spiritual successor to DeepDream, but provides flexible abstractions so that it can be used for a wide range of interpretability research.
本教程快速介绍了Lucid,一个可视化神经网络的网络。 Lucid是DeepDream的一种精神继承者,但提供灵活的抽象,以便它可用于广泛的可解释性研究。