Interpretovateľné strojové učenie s Pythonom - druhé vydanie: Druhé vydanie: Zostavte vysvetľujúce, spravodlivé a robustné vysoko výkonné modely s praktickými príkladmi z reálneho sveta.

Recenzie čitateľov

Momentálne nie sú žiadne recenzie čitateľov. Hodnotenie je založené na 29 hlasoch.

Pôvodný názov:

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

Obsah knihy:

Hlboký ponor do kľúčových aspektov a výziev interpretovateľnosti strojového učenia pomocou komplexného súboru nástrojov vrátane SHAP, dôležitosti príznakov a kauzálneho odvodzovania na vytvorenie spravodlivejších, bezpečnejších a spoľahlivejších modelov.

Zakúpenie tlačenej knihy alebo knihy pre Kindle zahŕňa bezplatnú elektronickú knihu vo formáte PDF.

Kľúčové vlastnosti:

⬤ Interpretácia údajov z reálneho sveta vrátane údajov o kardiovaskulárnych ochoreniach a skóre recidívy COMPAS.

⬤ Vybudujte si súbor nástrojov na interpretáciu pomocou globálnych, lokálnych, modelovo-agnostických a modelovo-špecifických metód.

⬤ Analyzujte a získavajte poznatky z komplexných modelov od CNN cez BERT až po modely časových radov.

Popis knihy:

Kniha Interpretovateľné strojové učenie s jazykom Python, druhé vydanie, prináša kľúčové koncepty interpretácie modelov strojového učenia pomocou analýzy reálnych údajov a poskytuje vám širokú škálu zručností a nástrojov na dešifrovanie výsledkov aj tých najzložitejších modelov.

Vytvorte si súbor nástrojov na interpretáciu s niekoľkými prípadmi použitia, od predpovedania meškania letu cez klasifikáciu odpadu až po skóre hodnotenia rizík COMPAS. Táto kniha je plná užitočných techník, ktoré zavádzajú do správneho prípadu použitia. Naučte sa tradičné metódy, ako sú grafy dôležitosti príznakov a čiastočnej závislosti, až po integrované gradienty pre interpretácie NLP a metódy atribúcie založené na gradientoch, ako sú mapy saliencie.

Okrem kódu krok za krokom sa prakticky zoznámite s ladením modelov a tréningových údajov pre interpretovateľnosť znížením zložitosti, zmiernením skreslenia, umiestnením ochranných zábran a zvýšením spoľahlivosti.

Na konci knihy si budete istí pri riešení problémov interpretovateľnosti s modelmi čiernej skrinky s použitím tabuľkových, jazykových, obrazových a časových údajov.

Čo sa naučíte:

⬤ Postúpiť od základných k pokročilým technikám, ako je kauzálne odvodzovanie a kvantifikácia neistoty.

⬤ Vybudujete si súbor zručností od analýzy lineárnych a logistických modelov až po komplexné modely, ako sú CatBoost, CNN a transformátory NLP.

⬤ Používajte monotónne a interakčné obmedzenia na vytvorenie spravodlivejších a bezpečnejších modelov.

⬤ Pochopte, ako zmierniť vplyv skreslenia v súboroch údajov.

⬤ Využívanie analýzy citlivosti na stanovenie priorít faktorov a stanovenie faktorov pre akýkoľvek model.

⬤ Zistite, ako zvýšiť spoľahlivosť modelov pomocou robustnosti voči nepriaznivým vplyvom.

Pre koho je táto kniha určená:

Táto kniha je určená pre dátových vedcov, vývojárov strojového učenia, inžinierov strojového učenia, inžinierov MLOps a správcov údajov, ktorí majú čoraz dôležitejšiu zodpovednosť vysvetliť, ako fungujú systémy umelej inteligencie, ktoré vyvíjajú, aký majú vplyv na rozhodovanie a ako identifikujú a riadia zaujatosť. Je to užitočný zdroj informácií aj pre samoukov, nadšencov ML a začiatočníkov, ktorí chcú do problematiky preniknúť hlbšie, hoci na implementáciu príkladov je potrebná dobrá znalosť programovacieho jazyka Python.