Interpretowalna sztuczna inteligencja: budowanie zrozumiałych systemów uczenia maszynowego

Opinie czytelników

Książka ta służy jako kompleksowy przewodnik po interpretacji modeli uczenia maszynowego, dzięki czemu jest dostępna zarówno dla ekspertów, jak i osób z minimalnym doświadczeniem w tej dziedzinie. Omawia ona różne nadzorowane techniki uczenia się i metody stosowane do interpretacji ich wyników, jednocześnie odnosząc się do ograniczeń tych technik interpretacji. Jest to szczególnie przydatne dla praktyków, decydentów i wszystkich osób zaangażowanych w aplikacje AI, zwłaszcza te, które mają wpływ na systemy krytyczne dla bezpieczeństwa.

⬤ Zawiera przejrzyste przykłady i proste podejście do zrozumienia modeli uczenia maszynowego.
⬤ Przydatne dla praktyków, w tym osób z minimalną wiedzą w zakresie uczenia maszynowego.
⬤ Obejmuje zarówno klasyczne, jak i złożone metody interpretacji sieci neuronowych.
⬤ Porusza istotne kwestie, takie jak wyciek danych, stronniczość i zgodność.
⬤ Podkreśla znaczenie interpretowalności modeli w zastosowaniach krytycznych dla bezpieczeństwa.

⬤ Czytelnicy bez doświadczenia w uczeniu maszynowym mogą mieć trudności z niektórymi szczegółami technicznymi.
⬤ Omówiono pewne ograniczenia technik interpretowalności, ale niektórzy czytelnicy mogą chcieć uzyskać głębsze informacje.

(na podstawie 5 opinii czytelników)

Oryginalny tytuł:

Interpretable AI: Building Explainable Machine Learning Systems

Zawartość książki:

Interpretowalna sztuczna inteligencja to praktyczny przewodnik po technikach interpretowalności, które otwierają czarną skrzynkę sztucznej inteligencji.

Modele sztucznej inteligencji mogą stać się tak złożone, że nawet eksperci mają trudności z ich zrozumieniem - i zapomnij o wyjaśnianiu niuansów klastra nowych algorytmów interesariuszom biznesowym! Interpretowalna sztuczna inteligencja jest wypełniona najnowocześniejszymi technikami, które poprawią zrozumienie funkcjonowania modeli sztucznej inteligencji.

Interpretowalna sztuczna inteligencja to praktyczny przewodnik po technikach interpretowalności, które otwierają czarną skrzynkę sztucznej inteligencji. Ten praktyczny przewodnik upraszcza najnowocześniejsze badania nad przejrzystą i zrozumiałą sztuczną inteligencją, dostarczając praktycznych metod, które można łatwo wdrożyć za pomocą Pythona i bibliotek open source. Dzięki przykładom ze wszystkich głównych podejść do uczenia maszynowego, książka ta pokazuje, dlaczego niektóre podejścia do sztucznej inteligencji są tak nieprzejrzyste, uczy identyfikowania wzorców, których nauczył się model, i przedstawia najlepsze praktyki budowania uczciwych i bezstronnych modeli.

Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.