[ValseWebinar] 可解释性AI专题

https://www.bilibili.com/video/BV1oJ411k7mf?from=search&seid=6708423743269033
可解释性学习未来的发展方向是什么？
鲁棒性方面：如何增强深度神经网络的鲁棒性？使得在医疗、自动驾驶、军事战争等重要的方面发挥作用。

可解释性分为两大类：

1.面向模型开发设计的研究人员，对模型的各个层进行解释，以此来设计鲁棒性更好的model；

2.面向应用model的各类从业人员，比如医生、金融师，他们并不是很懂深度学习，但是他们需要理解深度学习学出来的结果，知道深度学习为什么做出这样的决策。

（目前这两类工作的研究也才刚刚开始，未来需要做大量的研究）
可解释性是不是只针对DNN？传统模型需不需要可解释性？

传统模型的提出就是基于严谨的数学上或者几何上的方法，其原理是非常清楚的。

深度学习发展过程中，我们并不是非常清楚深度学习的原理，在很多实际问题中，无论是基于经验还是基于各种各样的试错过程，我们会构造出非常work的网络结构，但是我们并不能说清楚这个网络为什么会work。

现在发展到这个阶段，我们需要弄清楚网络的原理，给出可解释性，以至于可以更有针对性的提升网络模型的性能。

未来的方向：目前还是对已有的网络进行分析，未来有可能针对一个任务或者问题，根据可解释的原理来设计一个针对问题，结合具体应用的的网络模型。
可解释对于深度学习的意义和研究目标是什么？
研究可解释性的意义就在于可以针对性地提升model的性能。
现在部分学者认为可解释性在学习中不是必要条件，大家怎么看？
神经网络就是个很好用的工具，觉得它有用，可解释性就不是必要条件；如果想要解决一个特定的问题，那就需要从数学上或者物理规律上对问题建模，这就要求必须要有可解释性。
可解释性学习如何来进行科学的度量？解释结果的客观性与可靠性怎么评价？
周博磊
可解释性的应用场景有哪些？
无人驾驶、交通、金融、安全

医疗：判断人有病的可能性

法律：判断人犯罪的可能性

军事：accuracy不能达到100%的情况下，给战争指挥官一定的可解释依据，以便于更快地调整作战战略。
可解释性学习的最大挑战是什么？
如何把人的知识加结合到可解释？

    







数据分析在现在是非常火的一种事物，由于大数据在各行各业中都起到了至关重要的作用，因此受到了很多人才的重视，很多人想走进数据分析这一行业，但是很多人不知道数据分析师的发展方向是什么，一般来说，数据分析师按照数据处理的阶段分为三个职位，就是数据采集、数据分析、数据挖掘三种。不过数据分析的工作分为这三个方向太过于片面，让人们对于数据分析的理解有了局限性。所以，我们对数据分析这个行业分为两种方向，具体就是业务方向和技术方向。不同的业务方向也决定了不同的职业规划和晋升途径，这想必大家都是清楚的，那么数据方向和业务方向具体的情况是什么呢？下面就由小编为大家解答一下这个问题。
首先给大家说一下业务方向，一般来说大家在很多招聘网站搜寻数据分析的时候，会发现数据分析的业务方向有两种，一种就是辅助业务的数据分析职位。另一种就是数据分析师职位。辅助业务的数据分析职位在零售业职位中比较多，并且数据分析师对业务必须熟练，同时对自己所面对的业务有很长时间的积淀和理解，这样就能快速的使用数据分析去发现业务流程中存在的问题，通过提出针对问题的解决方案去解决这些问题。由此可见，分析数据支撑着整个商业的逻辑。辅助业务的数据分析师细分职业有市场调查、行业分析、经营分析三类数据。而业务方向中的数据分析师职位一般都是比较专业的，这种专业是具体怎么体现出来的呢？比如产品数据分析师、运营数据分析师和销售数据分析师等等。所以业务方面的数据分析师都是比较专业化的。
然后给大家说一下技术方面的数据分析师，一般来说，数据分析师在技术方面上主要指的是数据挖掘方向，一般来说是分为三种类型。第一种就是数据挖掘工程师、数据库工程师、数据开发工程师。而数据分析师在互联网和金融行业中的岗位是比较多的，当然，在技术方向的数据分析师的工资要比业务方面的数据分析师岗位的工资要高。不过，如果做到了管理层面，业务岗要比技术岗的工资要高。
以上的内容就是对于数据分析这一行业的具体问题的说明了，大家在择业的时候可以参考这篇文章，如果要进入数据分析这个行业，不管在什么方向，都需要扎实的知识，希望这篇文章能够给大家带来帮助。最后感谢大家的阅读。

数据分析在现在是非常火的一种事物，由于大数据在各行各业中都起到了至关重要的作用，因此受到了很多人才的重视，很多人想走进数据分析这一行业，但是很多人不知道数据分析师的发展方向是什么，一般来说，数据分析师按照数据处理的阶段分为三个职位，就是数据采集、数据分析、数据挖掘三种。不过数据分析的工作分为这三个方向太过于片面，让人们对于数据分析的理解有了局限性。所以，我们对数据分析这个行业分为两种方向，具体就是业务方向和技术方向。不同的业务方向也决定了不同的职业规划和晋升途径，这想必大家都是清楚的，那么数据方向和业务方向具体的情况是什么呢？下面就由小编为大家解答一下这个问题。
首先给大家说一下业务方向，一般来说大家在很多招聘网站搜寻数据分析的时候，会发现数据分析的业务方向有两种，一种就是辅助业务的数据分析职位。另一种就是数据分析师职位。辅助业务的数据分析职位在零售业职位中比较多，并且数据分析师对业务必须熟练，同时对自己所面对的业务有很长时间的积淀和理解，这样就能快速的使用数据分析去发现业务流程中存在的问题，通过提出针对问题的解决方案去解决这些问题。由此可见，分析数据支撑着整个商业的逻辑。辅助业务的数据分析师细分职业有市场调查、行业分析、经营分析三类数据。而业务方向中的数据分析师职位一般都是比较专业的，这种专业是具体怎么体现出来的呢？比如产品数据分析师、运营数据分析师和销售数据分析师等等。所以业务方面的数据分析师都是比较专业化的。
然后给大家说一下技术方面的数据分析师，一般来说，数据分析师在技术方面上主要指的是数据挖掘方向，一般来说是分为三种类型。第一种就是数据挖掘工程师、数据库工程师、数据开发工程师。而数据分析师在互联网和金融行业中的岗位是比较多的，当然，在技术方向的数据分析师的工资要比业务方面的数据分析师岗位的工资要高。不过，如果做到了管理层面，业务岗要比技术岗的工资要高。
以上的内容就是对于数据分析这一行业的具体问题的说明了，大家在择业的时候可以参考这篇文章，如果要进入数据分析这个行业，不管在什么方向，都需要扎实的知识，希望这篇文章能够给大家带来帮助。最后感谢大家的阅读。

1、人工走向智能。在种植、养殖生产作业环节，摆脱人力依赖，构建集环境生理监控、作物模型分析和精准调节为一体的农业生产自动化系统和平台，根据自然生态条件改进农业生产工艺，进行农产品差异化生产。
在食品安全环节，构建农产品溯源系统，将农产品生产、加工等过程的各种相关信息进行记录并存储，并能通过食品识别号在网络上对农产品进行查询认证，追溯全程信息。
2、突出个性化与差异性营销方式。物联网、云计算等技术的应用，打破农业市场的时空地理限制，农资采购和农产品流通等数据将会得到实时监测和传递，有效解决信息不对称问题。
3、提供精确、动态、科学的全方位信息服务。面向“三农”的信息服务为农业经营者传播先进的农业科学技术知识、生产管理信息以及农业科技咨询服务，引导龙头企业、农业专业合作社和农户经营好自己的农业生产系统与营销活动，提高农业生产管理决策水平，增强市场抗风险能力，做好节本增效、提高收益。