Interpretowalne uczenie maszynowe w Pythonie: Naucz się budować interpretowalne modele o wysokiej wydajności na praktycznych przykładach ze świata rzeczywistego

Opinie czytelników

Książka „Interpretable Machine Learning with Python” jest wysoce zalecana jako kompleksowe i przystępne źródło wiedzy na temat rozumienia i stosowania technik uczenia maszynowego, w szczególności koncentrując się na interpretowalności. Dzięki dokładnym objaśnieniom, licznym przykładom i praktycznym wskazówkom dotyczącym kodowania jest ona przeznaczona dla początkujących, średnio zaawansowanych i zaawansowanych praktyków. Jednak jej techniczny charakter może stanowić wyzwanie dla zupełnie nowych osób, które nie mają żadnego doświadczenia w tym temacie.

Wszechstronne źródło wiedzy obejmujące szeroki zakres tematów związanych z interpretowalnym uczeniem maszynowym.

Obfite przykłady i dokładne wyjaśnienia, które zaspokajają różne poziomy umiejętności.

(na podstawie 25 opinii czytelników)

Oryginalny tytuł:

Interpretable Machine Learning with Python: Learn to build interpretable high-performance models with hands-on real-world examples

Zawartość książki:

Zrozum kluczowe aspekty i wyzwania związane z interpretowalnością uczenia maszynowego, dowiedz się, jak je przezwyciężyć za pomocą metod interpretacji i wykorzystaj je do tworzenia bardziej sprawiedliwych, bezpieczniejszych i niezawodnych modeli.

Kluczowe cechy:

⬤ Dowiedz się, jak wydobyć łatwe do zrozumienia wnioski z dowolnego modelu uczenia maszynowego.

⬤ Zapoznaj się z technikami interpretacji, aby budować sprawiedliwsze, bezpieczniejsze i bardziej niezawodne modele.

⬤ Zminimalizuj ryzyko w systemach sztucznej inteligencji, zanim będą miały szersze implikacje, ucząc się, jak debugować modele czarnej skrzynki.

Opis książki:

Czy chcesz zrozumieć swoje modele i zmniejszyć ryzyko związane ze słabymi prognozami przy użyciu interpretacji uczenia maszynowego (ML)? Interpretowalne uczenie maszynowe w Pythonie może pomóc w efektywnej pracy z modelami ML.

Pierwsza część książki to przewodnik dla początkujących po interpretowalności, obejmujący jej znaczenie w biznesie oraz badający jej kluczowe aspekty i wyzwania. Skupisz się na tym, jak działają modele białoskrzynkowe, porównasz je z modelami czarno-skrzynkowymi i szklano-skrzynkowymi oraz przeanalizujesz ich kompromisy. W drugiej części zapoznasz się z szeroką gamą metod interpretacji, znanych również jako metody Explainable AI (XAI), i dowiesz się, jak zastosować je w różnych przypadkach użycia, czy to do klasyfikacji, czy regresji, do tabel, szeregów czasowych, obrazów lub tekstu. Oprócz kodu krok po kroku, książka pomaga również czytelnikowi interpretować wyniki modelu na przykładach. W trzeciej części, czytelnik będzie miał możliwość praktycznego dostrojenia modeli i danych treningowych pod kątem interpretowalności poprzez zmniejszenie złożoności, złagodzenie stronniczości, umieszczenie barier i zwiększenie niezawodności. Metody, które tu poznasz, obejmują najnowocześniejsze metody selekcji cech i usuwania błędów ze zbioru danych, a także ograniczenia monotoniczne i przekwalifikowanie przeciwstawne.

Pod koniec tej książki będziesz w stanie lepiej zrozumieć modele ML i ulepszyć je poprzez dostrajanie interpretowalności.

Czego się nauczysz:

⬤ Rozpoznać znaczenie interpretowalności w biznesie.

⬤ Zapoznanie się z modelami, które same w sobie są interpretowalne, takimi jak modele liniowe, drzewa decyzyjne i Na ve Bayesa.

⬤ Zdobądź dobrą znajomość interpretacji modeli za pomocą metod niezależnych od modelu.

⬤ Zobrazować, jak działa klasyfikator obrazów i czego się uczy.

⬤ Zrozumienie, jak złagodzić wpływ stronniczości w zbiorach danych.

⬤ Odkryj, jak zwiększyć niezawodność modeli dzięki odporności na przeciwności.

⬤ Wykorzystanie monotonicznych ograniczeń do tworzenia bardziej sprawiedliwych i bezpieczniejszych modeli.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla naukowców zajmujących się danymi, programistów uczenia maszynowego i zarządców danych, którzy ponoszą coraz większą odpowiedzialność za wyjaśnienie, w jaki sposób działają opracowywane przez nich systemy sztucznej inteligencji, ich wpływ na podejmowanie decyzji oraz w jaki sposób identyfikują i zarządzają stronniczością. Oczekiwana jest praktyczna znajomość uczenia maszynowego i języka programowania Python.