Opinie czytelników
Podsumowanie:Książka jest kompleksowym wprowadzeniem do Explainable AI (XAI), które obejmuje szereg tematów, narzędzi i technik poprawiających interpretowalność modeli uczenia maszynowego, szczególnie dla praktyków używających Pythona. Odnosi się do potrzeby zrozumienia algorytmów czarnej skrzynki w aplikacjach sztucznej inteligencji i bada kwestie etyczne w sztucznej inteligencji. Niektórzy czytelnicy stwierdzili jednak, że brakuje jej głębi w odniesieniu do zaawansowanych technik i szczegółów implementacji.
Zalety:⬤ Kompleksowe wprowadzenie do XAI z naciskiem na praktyczne zastosowania i narzędzia.
⬤ Obejmuje różnorodne techniki interpretacji i przykłady ze świata rzeczywistego.
⬤ Zawiera podsumowania, pytania i odniesienia na końcu każdego rozdziału dla lepszego zrozumienia.
⬤ Porusza kwestie etyczne i ramy prawne związane ze sztuczną inteligencją.
⬤ Dobra organizacja i przepływ informacji, dzięki czemu złożone tematy są przystępne.
Wady:⬤ Brak pogłębienia zaawansowanych technik w niektórych obszarach, co prowadzi do rozczarowania dla tych, którzy szukają bardziej wyrafinowanych spostrzeżeń.
⬤ Niektórzy czytelnicy krytykują ogólną organizację i przepływ książki.
⬤ Niektórzy uznali ją za niewystarczająco wciągającą lub ekscytującą i rozważali jej zwrot.
(na podstawie 12 opinii czytelników)
Oryginalny tytuł:
Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps
Zawartość książki:
Rozwiąż modele czarnej skrzynki w swoich aplikacjach AI, aby uczynić je uczciwymi, godnymi zaufania i bezpiecznymi. Zapoznanie się z podstawowymi zasadami i narzędziami umożliwiającymi wdrożenie Explainable AI (XAI) w aplikacjach i interfejsach raportowania.
Kluczowe cechy
⬤ Poznanie narzędzi i technik wyjaśnialnej sztucznej inteligencji do przetwarzania wiarygodnych wyników sztucznej inteligencji.
⬤ Zrozumienie, jak wykrywać, obsługiwać i unikać typowych problemów związanych z etyką i stronniczością AI.
⬤ Zintegruj uczciwą sztuczną inteligencję z popularnymi aplikacjami i narzędziami do raportowania, aby zapewnić wartość biznesową przy użyciu Pythona i powiązanych narzędzi.
Opis książki
Skuteczne przekazywanie wiedzy na temat sztucznej inteligencji interesariuszom biznesowym wymaga starannego planowania, projektowania i wyboru wizualizacji. Opisanie problemu, modelu i relacji pomiędzy zmiennymi i ich wynikami jest często subtelne, zaskakujące i technicznie skomplikowane.
Hands-On Explainable AI (XAI) with Python pozwoli ci pracować z konkretnymi praktycznymi projektami uczenia maszynowego w Pythonie, które są strategicznie rozmieszczone, aby poprawić zrozumienie analizy wyników AI. Będziesz budować modele, interpretować wyniki za pomocą wizualizacji oraz integrować narzędzia do raportowania XAI i różne aplikacje.
Będziesz budować rozwiązania XAI w Pythonie, TensorFlow 2, platformie Google Cloud XAI, Google Colaboratory i innych frameworkach, aby otworzyć czarną skrzynkę modeli uczenia maszynowego. Książka zapozna Cię z kilkoma narzędziami XAI o otwartym kodzie źródłowym dla Pythona, które mogą być używane w całym cyklu życia projektu uczenia maszynowego.
Dowiesz się, jak eksplorować wyniki modeli uczenia maszynowego, przeglądać kluczowe zmienne wpływające i relacje zmiennych, wykrywać i radzić sobie z uprzedzeniami i kwestiami etycznymi oraz integrować prognozy za pomocą Pythona, a także wspierać wizualizację modeli uczenia maszynowego w interfejsach zrozumiałych dla użytkownika.
Pod koniec tej książki o sztucznej inteligencji będziesz w stanie dogłębnie zrozumieć podstawowe koncepcje XAI.
Czego się nauczysz
⬤ Planować XAI na różnych etapach cyklu życia uczenia maszynowego.
⬤ Oszacować mocne i słabe strony popularnych aplikacji XAI o otwartym kodzie źródłowym.
⬤ Zbadać, jak wykrywać i radzić sobie z kwestiami stronniczości w danych uczenia maszynowego.
⬤ Przegląd zagadnień etycznych i narzędzi służących do rozwiązywania typowych problemów związanych z danymi uczenia maszynowego.
⬤ Dzielenie się najlepszymi praktykami w zakresie projektowania i wizualizacji XAI.
⬤ Integracja możliwych do wyjaśnienia wyników AI przy użyciu modeli Python.
⬤ Wykorzystanie zestawów narzędzi XAI dla Pythona w cyklach życia uczenia maszynowego do rozwiązywania problemów biznesowych.
Dla kogo jest ta książka
Ta książka nie jest wprowadzeniem do programowania w Pythonie ani koncepcji uczenia maszynowego. Musisz mieć pewną podstawową wiedzę i/lub doświadczenie z bibliotekami uczenia maszynowego, takimi jak scikit-learn, aby w pełni wykorzystać tę książkę.
Niektórzy z potencjalnych czytelników tej książki to:
⬤ Profesjonaliści, którzy już używają Pythona do nauki o danych, uczenia maszynowego, badań i analiz.
⬤ Analitycy danych i naukowcy zajmujący się danymi, którzy chcą zapoznać się z narzędziami i technikami sztucznej inteligencji.
⬤ Kierownicy projektów AI, którzy muszą stawić czoła umownym i prawnym zobowiązaniom dotyczącym wyjaśnialności AI w fazie akceptacji ich aplikacji.
