Interpretable Machine Learning

1. 今天看了前三章（我之前看过6、7、8、9章），看的我很难受，没有顺畅丝滑的感觉，很多名词即便翻译之后也很难理解。2. 核心8、9章，还是可以看的，甚至说，写的不错，只是前面几章，写的真不咋样，个人觉得。我最想给的分数是7.5，不是8分。3. 直接去看8、9章就行，再结合着谷歌其他帖子学习。4. 作者提供在浏览器上免费看书，这还是不错的；附一下电子版链接：https://christophm.github.io/interpretable-ml-book/09-20

比较啰嗦。对可解释性没有清晰的定义，用举例子回避定义说明。印象当中这本书似乎是作者的硕士论文，时间充裕的话可以翻翻，价值不是特别大。关于可解释性的书没几本，这本写得有点初级。06-21

写得好随意，不是很清晰。把model agnostic methods串了一下，例子实在有点敷衍，直接读原论文+blog更快08-01

解释有些理论并不是十分清楚，不过算是一本好书01-16

虽然写得随意了些但很有启发09-22

扫了一遍 还是不戳哇01-24

工作需要用几天过了一遍，有点太拉杂（跟领域本身不成熟也有关系），对模型的介绍有重复，优缺点的讨论环节挺好的，公式部分头大，有些例子感觉真就只是例行公事，没能帮助进一步理解。NLP相关的东西比较少，回归分类以外的任务基本没提到07-02

随着时间的推移模型的可解释性会越来越重要，或许是通过其他统计学方式来辅助，或许是推翻模型底层理论06-14