机器学习

这是一份写给非技术岗的产品经理/运营的机器学习和深度学习的简单指南，帮助我们可以听到技术人员的话～在“大热的AIGC究竟是什么”的文章中，我们聊到了人工智能以及生成式人工智能。

本文是关于数据增强的文献综述，对数据增强方面进行探讨，目的是通过它实现数据更复杂的表征，从而减小验证集和训练集以及最终测试集的差距，让网络更好地学习迁移数据集上的数据分布。

Unsupervised Learning 无监督学习

什么是“反向传播（Backpropagation）”？反向传播是神经网络用来“从错误中学习”的核心算法。

因果推理是解释性分析的强大建模工具，它可使当前的机器学习变得可解释。如何将因果推理与机器学习相结合，开发可解

本文解决了检测和修复机器学习(ML)模型-模型调试中的错误的挑战。当前的机器学习模型，特别是在众包数据上训练

召回率Precision vs Recall

人工智能（Artificial Intelligence, AI）和机器学习（Machine Learning

我们总说“机器人越来越聪明”，可背后真相是，大多数机器人依然只能“照猫画虎”——靠人类演示来模仿操作，一旦遇到没见过的场景，就“傻眼”。想让机器人真正具备像人一样的学习能力

在机器学习（ML）中，可解释性和可理解性是理解和掌握模型如何做出某些决策的关键。