Interpretable Machine Learning with Python - Ediția a doua: Construiți modele explicabile, corecte și robuste de înaltă performanță cu exa

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 29 voturi.

Titlul original:

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

Conținutul cărții:

O scufundare profundă în aspectele și provocările cheie ale interpretabilității învățării automate folosind un set de instrumente cuprinzător, inclusiv SHAP, importanța caracteristicilor și inferența cauzală, pentru a construi modele mai corecte, mai sigure și mai fiabile.

Achiziționarea cărții tipărite sau Kindle include o carte electronică gratuită în format PDF.

Caracteristici principale:

⬤ Interpretați datele din lumea reală, inclusiv datele privind bolile cardiovasculare și scorurile de recidivă COMPAS.

⬤ Construiți-vă setul de instrumente de interpretabilitate cu metode globale, locale, agnostice modelului și specifice modelului.

⬤ Analizați și extrageți informații din modele complexe de la CNN-uri la BERT la modele de serii de timp.

Descrierea cărții:

Interpretable Machine Learning with Python, Second Edition, aduce la lumină conceptele cheie ale interpretării modelelor de învățare automată prin analiza datelor din lumea reală, oferindu-vă o gamă largă de abilități și instrumente pentru a descifra rezultatele chiar și ale celor mai complexe modele.

Construiți-vă setul de instrumente de interpretabilitate cu mai multe cazuri de utilizare, de la predicția întârzierilor zborurilor la clasificarea deșeurilor și la scorurile de evaluare a riscurilor COMPAS. Această carte este plină de tehnici utile, introducându-le la cazul de utilizare potrivit. Învățați metode tradiționale, cum ar fi importanța caracteristicilor și diagramele de dependență parțială, până la gradienți integrați pentru interpretări NLP și metode de atribuire bazate pe gradient, cum ar fi hărțile de saliență.

În plus față de codul pas cu pas, vă veți familiariza cu ajustarea modelelor și a datelor de instruire pentru interpretabilitate prin reducerea complexității, atenuarea prejudecăților, plasarea de garduri de protecție și îmbunătățirea fiabilității.

Până la sfârșitul cărții, veți fi încrezător în abordarea provocărilor legate de interpretabilitate cu modele black-box utilizând date tabulare, lingvistice, de imagini și serii cronologice.

Ce veți învăța:

⬤ Progresați de la tehnici de bază la tehnici avansate, cum ar fi inferența cauzală și cuantificarea incertitudinii.

⬤ Creșteți-vă setul de competențe de la analiza modelelor liniare și logistice la cele complexe, cum ar fi CatBoost, CNN-uri și transformatoare NLP.

⬤ Utilizați constrângerile monotone și de interacțiune pentru a realiza modele mai corecte și mai sigure.

⬤ Înțelegeți cum să atenuați influența prejudecăților în seturile de date.

⬤ Utilizați analiza sensibilității, prioritizarea factorilor și fixarea factorilor pentru orice model.

⬤ Descoperiți cum să faceți modelele mai fiabile cu robustețea adversarială.

Pentru cine este această carte:

Această carte se adresează oamenilor de știință de date, dezvoltatorilor de învățare automată, inginerilor de învățare automată, inginerilor MLOps și administratorilor de date care au o responsabilitate din ce în ce mai critică de a explica modul în care funcționează sistemele de inteligență artificială pe care le dezvoltă, impactul acestora asupra luării deciziilor și modul în care identifică și gestionează prejudecățile. Este, de asemenea, o resursă utilă pentru entuziaștii ML autodidacți și pentru începătorii care doresc să aprofundeze subiectul, deși este necesară o bună cunoaștere a limbajului de programare Python pentru a implementa exemplele.