Wyjaśnialna sztuczna inteligencja w Pythonie

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 5 głosach.

Oryginalny tytuł:

Explainable AI with Python

Zawartość książki:

Książka ta zawiera pełną prezentację aktualnych koncepcji i dostępnych technik, dzięki którym systemy "uczenia maszynowego" stają się bardziej zrozumiałe. Przedstawione podejścia można zastosować do prawie wszystkich obecnych modeli "uczenia maszynowego": regresji liniowej i logistycznej, głębokich sieci neuronowych, przetwarzania języka naturalnego i rozpoznawania obrazów.

Postępy w uczeniu maszynowym zwiększają wykorzystanie sztucznych agentów do wykonywania krytycznych zadań, którymi wcześniej zajmowali się ludzie (m.in. opieka zdrowotna, prawo i finanse). Podczas gdy zasady kierujące projektowaniem tych agentów są zrozumiałe, większość obecnych modeli głębokiego uczenia jest "nieprzejrzysta" dla ludzkiego zrozumienia. Explainable AI with Python wypełnia obecną lukę w literaturze na ten wyłaniający się temat, przyjmując zarówno teoretyczną, jak i praktyczną perspektywę, dzięki czemu czytelnik szybko jest w stanie pracować z narzędziami i kodem dla Explainable AI.

Zaczynając od przykładów tego, czym jest wyjaśnialna sztuczna inteligencja (XAI) i dlaczego jest potrzebna w tej dziedzinie, książka szczegółowo opisuje różne podejścia do XAI w zależności od konkretnego kontekstu i potrzeb. Następnie przedstawiono praktyczną pracę nad interpretowalnymi modelami z konkretnymi przykładami wykorzystującymi Pythona, pokazując, w jaki sposób można interpretować wewnętrzne interpretowalne modele i jak tworzyć "zrozumiałe dla człowieka" wyjaśnienia. Pokazano metody niezależne od modelu dla XAI w celu tworzenia wyjaśnień bez polegania na wewnętrznych modelach ML, które są "nieprzejrzyste". Korzystając z przykładów z Computer Vision, autorzy przyglądają się następnie możliwym do wyjaśnienia modelom Deep Learning i potencjalnym metodom na przyszłość. Przyjmując praktyczną perspektywę, autorzy pokazują, jak skutecznie wykorzystywać ML i XAI w nauce. Ostatni rozdział wyjaśnia adwersaryjne uczenie maszynowe i jak zrobić XAI z przykładami przeciwstawnymi.