جلد سخت سیاه و سفید
Product details
- Publisher : Apress; 1st ed. edition (December 16, 2021)
- Language : English
- Paperback : 368 pages
- ISBN-10 : 1484278011
- ISBN-13 : 978-1484278017
کتاب Interpreting Machine Learning Models: Learn Model Interpretability and Explainability Methods
Understand model interpretability methods and apply the most suitable one for your machine learning project. This book details the concepts of machine learning interpretability along with different types of explainability algorithms.
You’ll begin by reviewing the theoretical aspects of machine learning interpretability. In the first few sections you’ll learn what interpretability is, what the common properties of interpretability methods are, the general taxonomy for classifying methods into different sections, and how the methods should be assessed in terms of human factors and technical requirements. Using a holistic approach featuring detailed examples, this book also includes quotes from actual business leaders and technical experts to showcase how real life users perceive interpretability and its related methods, goals, stages, and properties.
Progressing through the book, you’ll dive deep into the technical details of the interpretability domain. Starting off with the general frameworks of different types of methods, you’ll use a data set to see how each method generates output with actual code and implementations. These methods are divided into different types based on their explanation frameworks, with some common categories listed as feature importance based methods, rule based methods, saliency maps methods, counterfactuals, and concept attribution. The book concludes by showing how data effects interpretability and some of the pitfalls prevalent when using explainability methods.
What You’ll Learn
- Understand machine learning model interpretability
- Explore the different properties and selection requirements of various interpretability methods
- Review the different types of interpretability methods used in real life by technical experts
- Interpret the output of various methods and understand the underlying problems
Who This Book Is For
Machine learning practitioners, data scientists and statisticians interested in making machine learning models interpretable and explainable; academic students pursuing courses of data science and business analytics.
منابع کتاب کتاب Interpreting Machine Learning Models: Learn Model Interpretability and Explainability Methods
روش های تفسیرپذیری مدل را درک کنید و مناسب ترین روش را برای پروژه یادگیری ماشینی خود اعمال کنید. این کتاب مفاهیم تفسیرپذیری یادگیری ماشین را همراه با انواع مختلف الگوریتم‌های توضیح‌پذیری توضیح می‌دهد.
شما با مرور جنبه های نظری تفسیرپذیری یادگیری ماشین شروع خواهید کرد. در چند بخش اول می آموزید که تفسیرپذیری چیست، ویژگی های رایج روش های تفسیرپذیری چیست، طبقه بندی کلی برای طبقه بندی روش ها به بخش های مختلف، و اینکه چگونه روش ها باید از نظر عوامل انسانی و الزامات فنی ارزیابی شوند. این کتاب با استفاده از یک رویکرد کل نگر شامل مثال‌های دقیق، نقل قول‌هایی از رهبران واقعی کسب‌وکار و کارشناسان فنی را نیز شامل می‌شود تا نحوه درک کاربران واقعی از تفسیرپذیری و روش‌ها، اهداف، مراحل و ویژگی‌های مرتبط با آن را نشان دهد.
با پیشرفت در کتاب، عمیقاً در جزئیات فنی حوزه تفسیرپذیری فرو خواهید رفت. با شروع با چارچوب های کلی انواع مختلف روش ها، از یک مجموعه داده استفاده می کنید تا ببینید که چگونه هر روش خروجی را با کد و پیاده سازی واقعی تولید می کند. این روش‌ها بر اساس چارچوب‌های توضیحی خود به انواع مختلفی تقسیم می‌شوند که برخی از دسته‌بندی‌های رایج به‌عنوان روش‌های مبتنی بر اهمیت ویژگی، روش‌های مبتنی بر قانون، روش‌های نقشه‌های برجسته، خلاف واقع و اسناد مفهوم فهرست شده‌اند. این کتاب با نشان دادن اینکه چگونه داده‌ها بر تفسیرپذیری و برخی از دام‌های رایج در هنگام استفاده از روش‌های توضیح‌پذیری تأثیر می‌گذارند، به پایان می‌رسد.
آنچه شما یاد خواهید گرفت
- تفسیرپذیری مدل یادگیری ماشین را درک کنید
- ویژگی های مختلف و الزامات انتخاب روش های مختلف تفسیرپذیری را بررسی کنید
- انواع مختلف روش های تفسیرپذیری که در زندگی واقعی توسط کارشناسان فنی استفاده می شود را مرور کنید
- خروجی روش های مختلف را تفسیر کنید و مشکلات اساسی را درک کنید
این کتاب برای چه کسی است
متخصصان یادگیری ماشین، دانشمندان داده و آماردانان علاقه مند به ساختن مدل های یادگیری ماشینی قابل تفسیر و توضیح هستند. دانشجویان دانشگاهی که دوره های علوم داده و تجزیه و تحلیل تجاری را دنبال می کنند.
ارسال نظر درباره کتاب Interpreting Machine Learning Models: Learn Model Interpretability and Explainability Methods