Értelmezhető gépi tanulás Pythonnal - Második kiadás: Építsen megmagyarázható, igazságos és robusztus, nagy teljesítményű modelleket gyakorlatias, valós példákkal

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 29 olvasói szavazat alapján történt.

Eredeti címe:

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

Könyv tartalma:

A gépi tanulás értelmezhetőségének legfontosabb aspektusaiba és kihívásaiba való mélyreható merülés egy átfogó eszköztár segítségével, beleértve a SHAP-ot, a jellemzők fontosságát és az oksági következtetést, igazságosabb, biztonságosabb és megbízhatóbb modellek építése érdekében.

A nyomtatott vagy Kindle könyv megvásárlása egy PDF formátumú ingyenes e-könyvet is tartalmaz.

Főbb jellemzők:

⬤ Értelmezze a valós adatokat, beleértve a szív- és érrendszeri betegségekre vonatkozó adatokat és a COMPAS visszaesési pontszámokat.

⬤ Építse fel értelmezhetőségi eszköztárát globális, helyi, modellagnosztikus és modellspecifikus módszerekkel.

⬤ Elemezze és vonja ki a betekintést az összetett modellekből a CNN-ektől a BERT-en át az idősoros modellekig.

Könyv leírása:

Az Értelmezhető gépi tanulás Pythonnal, második kiadás a gépi tanulási modellek értelmezésének kulcsfogalmait tárja fel valós adatok elemzésével, széles körű készségekkel és eszközökkel látja el Önt, hogy megfejtse még a legösszetettebb modellek eredményeit is.

Építse fel értelmezhetőségi eszköztárát számos felhasználási esettel, a járatkésés előrejelzésétől a hulladékosztályozáson át a COMPAS kockázatértékelési pontszámokig. Ez a könyv tele van hasznos technikákkal, bevezetve azokat a megfelelő felhasználási esethez. Ismerje meg a hagyományos módszereket, például a jellemző fontosságát és a részleges függőségi ábrákat az NLP-értelmezésekhez integrált gradiensekig és a gradiens alapú attribúciós módszerekig, például a saliency-térképekig.

A lépésről lépésre bemutatott kód mellett gyakorlati tapasztalatokat szerezhet a modellek és a képzési adatok értelmezhetőségre való hangolásáról a komplexitás csökkentése, a torzítások mérséklése, a védőkorlátok elhelyezése és a megbízhatóság növelése révén.

A könyv végére már magabiztosan kezelheti az értelmezhetőségi kihívásokat a fekete dobozos modellekkel, táblázatos, nyelvi, képi és idősoros adatok felhasználásával.

Amit tanulni fog:

⬤ Előrelépés az alapszintű technikáktól a haladó technikákig, például az oksági következtetés és a bizonytalanság számszerűsítése.

⬤ A lineáris és logisztikus modellek elemzésétől az olyan összetett modellekig, mint a CatBoost, a CNN-ek és az NLP-transzformátorok, fejlesztheti készségeit.

⬤ Használja a monoton és interakciós megkötéseket, hogy igazságosabb és biztonságosabb modelleket készítsen.

⬤ Tudja meg, hogyan csökkentheti az adathalmazok torzításának hatását.

⬤ Az érzékenységi elemzés faktorprioritás és a faktorok rögzítése bármely modellhez.

⬤ Fedezze fel, hogyan lehet a modelleket megbízhatóbbá tenni az ellenfélrobusztussággal.

Kinek szól ez a könyv:

Ez a könyv adattudósoknak, gépi tanulás fejlesztőknek, gépi tanulási mérnököknek, MLOps mérnököknek és adatstewardoknak szól, akiknek egyre fontosabb feladata, hogy elmagyarázzák, hogyan működnek az általuk fejlesztett mesterséges intelligencia rendszerek, milyen hatással vannak a döntéshozatalra, és hogyan azonosítják és kezelik az elfogultságot. Hasznos forrás az autodidakta ML-rajongók és a témában elmélyülni kívánó kezdők számára is, bár a példák megvalósításához a Python programozási nyelv jó ismerete szükséges.