Interpretovateľné strojové učenie s Pythonom: Naučte sa vytvárať interpretovateľné vysoko výkonné modely s praktickými príkladmi z reálneho sveta

Recenzie čitateľov

Knihu „Interpretable Machine Learning with Python“ odporúčame ako komplexný a prístupný zdroj informácií na pochopenie a používanie techník strojového učenia, najmä so zameraním na interpretovateľnosť. Svojimi dôkladnými vysvetleniami, bohatými príkladmi a praktickými návodmi na kódovanie je určená pre začiatočníkov, stredne pokročilých aj pokročilých praktikov. Jej technická povaha však môže predstavovať výzvu pre úplných nováčikov, ktorí nemajú žiadne zázemie v tejto oblasti.

Komplexný zdroj informácií pokrývajúci širokú škálu tém v oblasti interpretovateľného strojového učenia.

Bohaté príklady a dôkladné vysvetlenia, ktoré vyhovujú rôznym úrovniam zručností.

(na základe 25 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Pochopte kľúčové aspekty a výzvy interpretovateľnosti strojového učenia, naučte sa, ako ich prekonať pomocou interpretačných metód, a využite ich na vytvorenie spravodlivejších, bezpečnejších a spoľahlivejších modelov

Kľúčové vlastnosti:

⬤ Učte sa, ako získať ľahko zrozumiteľné poznatky z akéhokoľvek modelu strojového učenia.

⬤ Získajte prehľad o technikách interpretovateľnosti, aby ste mohli budovať spravodlivejšie, bezpečnejšie a spoľahlivejšie modely.

⬤ Mitigujte riziká v systémoch umelej inteligencie skôr, než budú mať širšie dôsledky, tým, že sa naučíte ladiť modely čiernej skrinky.

Popis knihy:

Chcete porozumieť svojim modelom a zmierniť riziká spojené so zlými predikciami pomocou interpretácie strojového učenia (ML)? Interpretovateľné strojové učenie s jazykom Python vám pomôže efektívne pracovať s modelmi ML.

Prvá časť knihy je sprievodcom pre začiatočníkov v oblasti interpretovateľnosti, ktorý sa zaoberá jej významom v podnikaní a skúma jej kľúčové aspekty a výzvy. Zameriate sa na to, ako fungujú modely bielej skrinky, porovnáte ich s modelmi čiernej skrinky a sklenenej skrinky a preskúmate ich kompromis. Druhá časť vás oboznámi s rozsiahlym spektrom interpretačných metód, známych aj ako metódy vysvetľovanej umelej inteligencie (XAI), a s tým, ako ich aplikovať na rôzne prípady použitia, či už na klasifikáciu alebo regresiu, na tabuľky, časové rady, obrázky alebo text. Okrem kódu krok za krokom kniha pomáha čitateľovi interpretovať výsledky modelov aj na príkladoch. V tretej časti sa prakticky zoznámite s ladením modelov a trénovacích údajov na interpretovateľnosť znížením zložitosti, zmiernením skreslenia, umiestnením ochranných zábran a zvýšením spoľahlivosti. Metódy, ktoré tu budete skúmať, siahajú od najmodernejších metód výberu príznakov a oddeblovania súborov údajov až po monotónne obmedzenia a adverzné preškolenie.

Na konci tejto knihy budete schopní lepšie porozumieť ML modelom a vylepšiť ich prostredníctvom ladenia interpretovateľnosti.

Čo sa naučíte:

⬤ Uvedomiť si dôležitosť interpretovateľnosti v podnikaní.

⬤ Štúdium modelov, ktoré sú vnútorne interpretovateľné, ako sú lineárne modely, rozhodovacie stromy a Na ve Bayes.

⬤ Získajte dobré znalosti v interpretácii modelov pomocou modelovo-agnostických metód.

⬤ Vizualizujte, ako klasifikátor obrazu funguje a čo sa učí.

⬤ Pochopiť, ako zmierniť vplyv skreslenia v súboroch údajov.

⬤ Zistiť, ako zvýšiť spoľahlivosť modelov pomocou odolnosti voči nepriaznivým vplyvom.

⬤ Použiť monotónne obmedzenia na vytvorenie spravodlivejších a bezpečnejších modelov.

Pre koho je táto kniha určená:

Táto kniha je určená pre dátových vedcov, vývojárov strojového učenia 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. Očakáva sa pracovná znalosť strojového učenia a programovacieho jazyka Python.