جلد سخت سیاه و سفید
Product details
- Publisher : Manning (July 5, 2022)
- Language : English
- Paperback : 328 pages
- ISBN-10 : 161729764X
- ISBN-13 : 978-1617297649
کتاب Interpretable AI: Building explainable machine learning systems
AI doesn’t have to be a black box. These practical techniques help shine a light on your model’s mysterious inner workings. Make your AI more transparent, and you’ll improve trust in your results, combat data leakage and bias, and ensure compliance with legal requirements.
In Interpretable AI, you will learn:
Why AI models are hard to interpret
Interpreting white box models such as linear regression, decision trees, and generalized additive models
Partial dependence plots, LIME, SHAP and Anchors, and other techniques such as saliency mapping, network dissection, and representational learning
What fairness is and how to mitigate bias in AI systems
Implement robust AI systems that are GDPR-compliant
Interpretable AI opens up the black box of your AI models. It teaches cutting-edge techniques and best practices that can make even complex AI systems interpretable. Each method is easy to implement with just Python and open source libraries. You’ll learn to identify when you can utilize models that are inherently transparent, and how to mitigate opacity when your problem demands the power of a hard-to-interpret deep learning model.
Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.
About the technology
It’s often difficult to explain how deep learning models work, even for the data scientists who create them. Improving transparency and interpretability in machine learning models minimizes errors, reduces unintended bias, and increases trust in the outcomes. This unique book contains techniques for looking inside “black box” models, designing accountable algorithms, and understanding the factors that cause skewed results.
About the book
Interpretable AI teaches you to identify the patterns your model has learned and why it produces its results. As you read, you’ll pick up algorithm-specific approaches, like interpreting regression and generalized additive models, along with tips to improve performance during training. You’ll also explore methods for interpreting complex deep learning models where some processes are not easily observable. AI transparency is a fast-moving field, and this book simplifies cutting-edge research into practical methods you can implement with Python.
What's inside
Techniques for interpreting AI models
Counteract errors from bias, data leakage, and concept drift
Measuring fairness and mitigating bias
Building GDPR-compliant AI systems
About the reader
For data scientists and engineers familiar with Python and machine learning.
About the author
Ajay Thampi is a machine learning engineer focused on responsible AI and fairness.
Table of Contents
PART 1 INTERPRETABILITY BASICS
1 Introduction
2 White-box models
PART 2 INTERPRETING MODEL PROCESSING
3 Model-agnostic methods: Global interpretability
4 Model-agnostic methods: Local interpretability
5 Saliency mapping
PART 3 INTERPRETING MODEL REPRESENTATIONS
6 Understanding layers and units
7 Understanding semantic similarity
PART 4 FAIRNESS AND BIAS
8 Fairness and mitigating bias
9 Path to explainable AI
منابع کتاب کتاب Interpretable AI: Building explainable machine learning systems
هوش مصنوعی نباید یک جعبه سیاه باشد. این تکنیک های عملی به تابش نور بر روی عملکرد اسرار آمیز درونی مدل شما کمک می کند. هوش مصنوعی خود را شفافتر کنید و اعتماد به نتایج خود را بهبود میبخشید، با نشت دادهها و سوگیری مبارزه میکنید و از رعایت الزامات قانونی اطمینان مییابید.
در Interpretable AI یاد خواهید گرفت: چرا تفسیر
مدل های هوش مصنوعی دشوار است. تشریح و یادگیری بازنمایی انصاف چیست و چگونه تعصب در سیستمهای هوش مصنوعی را کاهش دهیم، سیستمهای هوش مصنوعی قوی را پیادهسازی کنیم که
هوش مصنوعی قابل تفسیر با GDPR مطابقت دارند.جعبه سیاه مدل های هوش مصنوعی شما را باز می کند. این تکنیکها و بهترین روشهای پیشرفته را آموزش میدهد که میتواند حتی سیستمهای پیچیده هوش مصنوعی را قابل تفسیر کند. پیاده سازی هر روش فقط با پایتون و کتابخانه های منبع باز آسان است. شما یاد خواهید گرفت که تشخیص دهید چه زمانی میتوانید از مدلهایی استفاده کنید که ذاتاً شفاف هستند، و چگونه میتوانید کدورت را زمانی که مشکل شما به قدرت یک مدل یادگیری عمیق نیاز دارد که تفسیر آن سخت است، کاهش دهید.
خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالبهای PDF، Kindle و ePub از انتشارات منینگ است.
در مورد تکنولوژی
توضیح اینکه چگونه مدل های یادگیری عمیق کار می کنند، حتی برای دانشمندان داده ای که آنها را ایجاد می کنند، اغلب دشوار است. بهبود شفافیت و تفسیرپذیری در مدلهای یادگیری ماشین، خطاها را به حداقل میرساند، سوگیری ناخواسته را کاهش میدهد و اعتماد به نتایج را افزایش میدهد. این کتاب منحصربهفرد شامل تکنیکهایی برای جستجوی درون مدلهای «جعبه سیاه»، طراحی الگوریتمهای پاسخگو و درک عواملی است که باعث نتایج ناهموار میشوند.
درباره کتاب
هوش مصنوعی قابل تفسیربه شما می آموزد که الگوهایی را که مدل شما آموخته است و اینکه چرا نتایج خود را ایجاد می کند، شناسایی کنید. همانطور که مطالعه می کنید، رویکردهای خاص الگوریتم، مانند تفسیر رگرسیون و مدل های افزایشی تعمیم یافته، همراه با نکاتی برای بهبود عملکرد در طول تمرین را انتخاب خواهید کرد. همچنین روشهایی را برای تفسیر مدلهای یادگیری عمیق پیچیده که در آن برخی از فرآیندها به راحتی قابل مشاهده نیستند، کاوش خواهید کرد. شفافیت هوش مصنوعی یک زمینه سریع در حال حرکت است و این کتاب تحقیقات پیشرفته را در مورد روش های عملی که می توانید با پایتون پیاده سازی کنید، ساده می کند.
چه چیزی در داخل است
تکنیکهایی برای تفسیر مدلهای هوش مصنوعی
مقابله با خطاهای ناشی از سوگیری، نشت دادهها و رانش مفهومی
اندازهگیری انصاف و کاهش تعصب
ایجاد سیستمهای هوش مصنوعی مطابق با GDPR
درباره خواننده
برای دانشمندان و مهندسان داده که با پایتون و یادگیری ماشین آشنا هستند.
درباره نویسنده
Ajay Thampi یک مهندس یادگیری ماشین است که بر هوش مصنوعی مسئول و عدالت تمرکز دارد.
فهرست مطالب
بخش 1 مبانی تفسیرپذیری
1 مقدمه
2 مدل های جعبه سفید
قسمت 2 تفسیر پردازش
مدل 3 روش های مدل-آگنوستیک: تفسیرپذیری جهانی
4 روش های مدل-آگنوستیک: تفسیرپذیری محلی
5 نگاشت برجستگی
قسمت 3 INTERPRETATION و درک
لایه ها INTERPRETING7 M
شباهت معنایی
بخش 4
انصاف و تعصب 8 انصاف و تعصب کاهش دهنده
9 مسیر به هوش مصنوعی قابل توضیح
ارسال نظر درباره کتاب Interpretable AI: Building explainable machine learning systems