Interpretowalne uczenie maszynowe w Pythonie - wydanie drugie: Twórz wytłumaczalne, uczciwe i solidne modele o wysokiej wydajności z praktycznymi, rzeczywistymi przykładami

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 29 głosach.

Oryginalny tytuł:

Interpretable Machine Learning with Python - Second Edition: Build explainable, fair, and robust high-performance models with hands-on, real-world exa

Zawartość książki:

Głębokie zanurzenie się w kluczowych aspektach i wyzwaniach związanych z interpretowalnością uczenia maszynowego przy użyciu kompleksowego zestawu narzędzi, w tym SHAP, znaczenia cech i wnioskowania przyczynowego, w celu budowania bardziej sprawiedliwych, bezpieczniejszych i niezawodnych modeli.

Zakup książki w wersji drukowanej lub Kindle obejmuje bezpłatny eBook w formacie PDF.

Kluczowe cechy:

⬤ Interpretuj rzeczywiste dane, w tym dane dotyczące chorób układu krążenia i wyniki recydywy COMPAS.

⬤ Zbuduj swój zestaw narzędzi interpretacyjnych za pomocą metod globalnych, lokalnych, niezależnych od modelu i specyficznych dla modelu.

⬤ Analizuj i wyciągaj wnioski ze złożonych modeli, od CNN, przez BERT, po modele szeregów czasowych.

Opis książki:

Interpretable Machine Learning with Python, Second Edition, ujawnia kluczowe koncepcje interpretacji modeli uczenia maszynowego poprzez analizę rzeczywistych danych, zapewniając szeroki zakres umiejętności i narzędzi do rozszyfrowania wyników nawet najbardziej złożonych modeli.

Zbuduj swój zestaw narzędzi do interpretacji z kilkoma przypadkami użycia, od przewidywania opóźnień lotów, przez klasyfikację odpadów, po wyniki oceny ryzyka COMPAS. Ta książka jest pełna przydatnych technik, wprowadzając je do właściwego przypadku użycia. Poznaj tradycyjne metody, takie jak ważność cech i wykresy częściowej zależności, a także zintegrowane gradienty do interpretacji NLP i metody przypisywania oparte na gradientach, takie jak mapy saliency.

Oprócz kodu krok po kroku, zdobędziesz praktyczną wiedzę na temat dostrajania modeli i danych treningowych pod kątem interpretowalności poprzez zmniejszenie złożoności, łagodzenie stronniczości, umieszczanie barier i zwiększanie niezawodności.

Pod koniec książki będziesz mieć pewność, że poradzisz sobie z wyzwaniami związanymi z interpretowalnością modeli czarnej skrzynki przy użyciu danych tabelarycznych, językowych, obrazów i szeregów czasowych.

Czego się nauczysz:

⬤ Przejść od podstawowych do zaawansowanych technik, takich jak wnioskowanie przyczynowe i kwantyfikacja niepewności.

⬤ Zbuduj swój zestaw umiejętności od analizy modeli liniowych i logistycznych do złożonych, takich jak CatBoost, CNN i transformatory NLP.

⬤ Korzystaj z ograniczeń monotonicznych i interakcyjnych, aby tworzyć sprawiedliwsze i bezpieczniejsze modele.

⬤ Zrozumienie, jak złagodzić wpływ stronniczości w zbiorach danych.

⬤ Wykorzystanie analizy wrażliwości, priorytetyzacji czynników i ustalania czynników dla dowolnego modelu.

⬤ Odkryj, jak uczynić modele bardziej niezawodnymi dzięki odporności na przeciwności.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla naukowców zajmujących się danymi, programistów uczenia maszynowego, inżynierów uczenia maszynowego, inżynierów MLOps 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. Jest to również przydatne źródło informacji dla samouków i początkujących entuzjastów ML, którzy chcą zagłębić się w temat, choć do implementacji przykładów wymagana jest dobra znajomość języka programowania Python.