Értelmezhető gépi tanulás Pythonnal: Tanuljon meg értelmezhető, nagy teljesítményű modelleket készíteni gyakorlatias, valós példákon keresztül

Olvasói vélemények

Az „Interpretable Machine Learning with Python” című könyv nagyon ajánlott, mivel átfogó és hozzáférhető forrás a gépi tanulási technikák megértéséhez és alkalmazásához, különös tekintettel az értelmezhetőségre. Alapos magyarázataival, bőséges példáival és gyakorlatias kódolási útmutatásaival a kezdők, a középhaladók és a haladó szakemberek számára egyaránt szól. Technikai jellege azonban kihívást jelenthet a teljesen újonnan érkezők számára, akiknek nincs semmilyen hátterük a témában.

Átfogó forrás, amely az értelmezhető gépi tanulás témáinak széles körét lefedi.

Bőséges példák és alapos magyarázatok, amelyek a különböző készségszinteknek is megfelelnek.

(25 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

Értse meg a gépi tanulás értelmezhetőségének legfontosabb szempontjait és kihívásait, tanulja meg, hogyan lehet ezeket az értelmezési módszerekkel leküzdeni, és hogyan lehet ezeket kihasználva igazságosabb, biztonságosabb és megbízhatóbb modelleket építeni

Főbb jellemzők:

⬤ Tanulja meg, hogyan nyerhet könnyen érthető meglátásokat bármely gépi tanulási modellből.

⬤ Legyen jártas az értelmezhetőségi technikákban, hogy igazságosabb, biztonságosabb és megbízhatóbb modelleket építhessen.

⬤ Vizsgálja meg a mesterséges intelligencia rendszerekben rejlő kockázatokat, mielőtt azok szélesebb körű következményekkel járnának, megtanulva, hogyan kell hibakeresést végezni a fekete dobozos modellekben.

Könyv leírása:

Szeretné megérteni a modelljeit, és csökkenteni a rossz előrejelzésekkel járó kockázatokat a gépi tanulás (ML) értelmezésével? Az Értelmezhető gépi tanulás Pythonnal segíthet hatékonyan dolgozni az ML-modellekkel.

A könyv első része egy kezdő útmutató az értelmezhetőségről, amely az üzleti életben betöltött jelentőségét tárgyalja, és feltárja annak legfontosabb szempontjait és kihívásait. Foglalkozik a white-box modellek működésével, összehasonlítja őket a black-box és glass-box modellekkel, és megvizsgálja a köztük lévő kompromisszumokat. A második részben megismerkedhet az értelmezési módszerek, más néven a megmagyarázható mesterséges intelligencia (XAI) módszereinek széles skálájával, valamint azzal, hogyan alkalmazhatja őket különböző felhasználási esetekben, legyen szó osztályozásról vagy regresszióról, táblázatos, idősoros, képi vagy szöveges adatokról. A könyv a lépésről lépésre bemutatott kód mellett példákon keresztül segíti az olvasót a modellek eredményeinek értelmezésében is. A harmadik fejezetben gyakorlatias tapasztalatokat szerezhet a modellek és a képzési adatok értelmezhetőségre való hangolásáról a komplexitás csökkentésével, a torzítások mérséklésével, a védőkorlátok elhelyezésével és a megbízhatóság növelésével. A módszerek, amelyeket itt felfedezhet, a legkorszerűbb jellemzőválasztási és adathalmaz-eltávolítási módszerektől a monoton korlátozásokig és az adverzális átképzésig terjednek.

A könyv végére képes lesz arra, hogy jobban megértse az ML-modelleket, és az értelmezhetőség hangolásával javítsa azokat.

Amit tanulni fog:

⬤ Megismeri az értelmezhetőség fontosságát az üzleti életben.

⬤ Tanulmányozza az olyan modelleket, amelyek önmagukban értelmezhetőek, mint például a lineáris modellek, a döntési fák és a Na ve Bayes.

⬤ Legyen jártas a modellek modell-agnosztikus módszerekkel történő értelmezésében.

⬤ Vizualizálja, hogyan működik egy képosztályozó és mit tanul.

⬤ Tudja meg, hogyan lehet csökkenteni az adathalmazok torzításának hatását.

⬤ Találja meg, hogyan teheti megbízhatóbbá a modelleket az ellenállási robusztussággal.

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

Kinek szól ez a könyv:

Ez a könyv az adattudósoknak, a gépi tanulás fejlesztőinek és az adatgazdáknak 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. Elvárás a gépi tanulás és a Python programozási nyelv munkatudása.