Învățarea automată interpretabilă cu Python: Învățați să construiți modele interpretabile de înaltă performanță cu exemple practice din lumea reală

Recenzii ale cititorilor

Cartea „Interpretable Machine Learning with Python” este foarte recomandată ca o resursă cuprinzătoare și accesibilă pentru înțelegerea și aplicarea tehnicilor de învățare automată, cu accent deosebit pe interpretabilitate. Cartea se adresează începătorilor, intermediarilor și practicienilor avansați prin explicațiile sale detaliate, exemplele abundente și îndrumările practice privind codificarea. Cu toate acestea, natura sa tehnică poate reprezenta o provocare pentru noii veniți care nu au nici o pregătire în domeniu.

Resursă cuprinzătoare care acoperă o gamă largă de subiecte în învățarea automată interpretabilă.

Exemple abundente și explicații amănunțite care se adresează diferitelor niveluri de calificare.

(pe baza a 25 recenzii ale cititorilor)

Titlul original:

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

Conținutul cărții:

Înțelegeți aspectele și provocările cheie ale interpretabilității învățării automate, aflați cum să le depășiți cu metode de interpretare și să le valorificați pentru a construi modele mai corecte, mai sigure și mai fiabile

Caracteristici principale:

⬤ Învățați cum să extrageți informații ușor de înțeles din orice model de învățare automată.

⬤ Deveniți familiarizați cu tehnicile de interpretabilitate pentru a construi modele mai corecte, mai sigure și mai fiabile.

⬤ Mitigați riscurile din sistemele AI înainte ca acestea să aibă implicații mai largi, învățând cum să depanați modelele black-box.

Descrierea cărții:

Doriți să vă înțelegeți modelele și să atenuați riscurile asociate predicțiilor slabe folosind interpretarea învățării automate (ML)? Interpretable Machine Learning with Python vă poate ajuta să lucrați eficient cu modelele ML.

Prima secțiune a cărții este un ghid pentru începători privind interpretabilitatea, acoperind relevanța acesteia în afaceri și explorând aspectele și provocările sale cheie. Vă veți concentra pe modul în care funcționează modelele white-box, le veți compara cu modelele black-box și glass-box și le veți examina compromisurile. A doua secțiune vă va pune la curent cu o gamă largă de metode de interpretare, cunoscute și sub denumirea de metode Explainable AI (XAI), și cum să le aplicați în diferite cazuri de utilizare, fie pentru clasificare sau regresie, pentru tabulare, serii de timp, imagini sau text. Pe lângă codul pas cu pas, cartea ajută, de asemenea, cititorul să interpreteze rezultatele modelului folosind exemple. În cea de-a treia secțiune, veți pune în practică ajustarea modelelor și a datelor de formare pentru interpretabilitate prin reducerea complexității, atenuarea prejudecăților, plasarea de garduri de protecție și îmbunătățirea fiabilității. Metodele pe care le veți explora aici variază de la cele mai moderne metode de selecție a caracteristicilor și de debiasare a setului de date până la constrângeri monotone și reantrenare adversarială.

Până la sfârșitul acestei cărți, veți putea să înțelegeți mai bine modelele ML și să le îmbunătățiți prin reglarea interpretabilității.

Ce veți învăța:

⬤ Recunoașteți importanța interpretabilității în afaceri.

⬤ Studiați modele care sunt intrinsec interpretabile, cum ar fi modelele liniare, arborii decizionali și Na ve Bayes.

⬤ Deveniți pricepuți în interpretarea modelelor cu ajutorul metodelor agnostice față de model.

⬤ Vizualizați modul în care funcționează un clasificator de imagini și ce învață acesta.

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

⬤ Descoperiți cum să faceți modelele mai fiabile cu ajutorul robusteții adversariale.

⬤ Utilizați constrângerile monotone pentru a crea modele mai corecte și mai sigure.

Pentru cine este această carte:

Această carte se adresează oamenilor de știință din domeniul datelor, dezvoltatorilor de învățare automată și administratorilor de date care au o responsabilitate din ce în ce mai importantă de a explica modul în care funcționează sistemele AI pe care le dezvoltă, impactul acestora asupra procesului decizional și modul în care identifică și gestionează prejudecățile. Se așteaptă cunoștințe de lucru în domeniul învățării automate și al limbajului de programare Python.