91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
面向從業(yè)者的可解釋人工智能
面向從業(yè)者的可解釋人工智能
Michael Munn, David Pitman
陳志鴻, 李廣 譯
出版時(shí)間:2024年09月
頁(yè)數(shù):280
“這本書通過(guò)真實(shí)案例、權(quán)衡取舍以及將深?yuàn)W的科學(xué)知識(shí)與實(shí)用代碼相結(jié)合,為模型可解釋性提供了一個(gè)輕松卻全面的介紹?!?br /> ——Harsha Nori
工程經(jīng)理/負(fù)責(zé)任人工智能部門,微軟研究院
“這本書獨(dú)特地采用了實(shí)用主義的方式,注重算法之外的人性因素,是所有機(jī)器學(xué)習(xí)從業(yè)者的必讀之作?!?br /> ——Salem Haykal
區(qū)域技術(shù)負(fù)責(zé)人/GCP云AI與行業(yè)解決方案,Alphabet/GCP

大多數(shù)中級(jí)機(jī)器學(xué)習(xí)書籍側(cè)重于介紹如何通過(guò)提高準(zhǔn)確性或降低預(yù)測(cè)誤差來(lái)優(yōu)化模型。然而,這種方法往往忽視了理解機(jī)器學(xué)習(xí)模型為什么以及如何做出預(yù)測(cè)的重要性??山忉屝苑椒楦玫乩斫饽P托袨樘峁┝吮夭豢缮俚墓ぞ甙@本實(shí)用指南匯集了最先進(jìn)的模型可解釋性技術(shù)。經(jīng)驗(yàn)豐富的機(jī)器學(xué)習(xí)工程師和數(shù)據(jù)科學(xué)家將通過(guò)實(shí)踐學(xué)習(xí)這些技術(shù)的工作原理,從而能更輕松地在日常工作流程中應(yīng)用這些工具。
這本重要的圖書提供了:
● 一些最有用、最常用的可解釋性技術(shù),突出其優(yōu)缺點(diǎn),幫助你選擇最適合的工具。
● 實(shí)施這些技術(shù)的技巧和最佳實(shí)踐。
● 與可解釋性互動(dòng)的指南,并幫助你避免常見(jiàn)的陷阱。
● 將可解釋性融入機(jī)器學(xué)習(xí)工作流程的知識(shí),幫助構(gòu)建更穩(wěn)健的機(jī)器學(xué)習(xí)系統(tǒng)。
● 關(guān)于可解釋AI的建議,包括如何將這些技術(shù)應(yīng)用于處理使用表格、圖像或文本數(shù)據(jù)的模型。
● 使用Keras、TensorFlow 2.0、PyTorch和HuggingFace等知名可解釋性庫(kù)構(gòu)建的模型的Python代碼示例。
  1. 序言
  2. 前言
  3. 第1章 簡(jiǎn)介
  4. AI的可解釋性緣何而生
  5. 可解釋AI的內(nèi)涵
  6. 誰(shuí)需要可解釋性?
  7. 可解釋性面臨的挑戰(zhàn)
  8. 可解釋性評(píng)估
  9. 可解釋性用法
  10. 本章小結(jié)
  11. 第2章 可解釋性概述
  12. 什么是解釋?
  13. 可理解性與可解釋性
  14. 可解釋性的用戶
  15. 解釋的類型
  16. 貫穿可解釋性的主題
  17. 匯集
  18. 本章小結(jié)
  19. 第3章 表格數(shù)據(jù)的可解釋性
  20. 排列特征重要性
  21. Shapley值
  22. 解釋基于樹的模型
  23. 偏依賴圖和相關(guān)圖
  24. 本章小結(jié)
  25. 第4章 圖像數(shù)據(jù)的可解釋性
  26. 積分梯度
  27. XRAI
  28. Grad-CAM
  29. LIME
  30. 引導(dǎo)反向傳播和引導(dǎo)Grad-CAM
  31. 本章小結(jié)
  32. 第5章 文本數(shù)據(jù)的可解釋性
  33. 文本模型構(gòu)建概述
  34. LIME
  35. 梯度×輸入
  36. 分層積分梯度
  37. 逐層關(guān)聯(lián)傳播
  38. 使用哪種方法?
  39. 本章小結(jié)
  40. 第6章 先進(jìn)和新興主題
  41. 替代可解釋性技術(shù)
  42. 其他模態(tài)
  43. 可解釋性技術(shù)的評(píng)估
  44. 本章小結(jié)
  45. 第7章 與可解釋AI交互
  46. 誰(shuí)使用可解釋性?
  47. 如何有效地呈現(xiàn)解釋
  48. 使用可解釋性的常見(jiàn)誤區(qū)
  49. 本章小結(jié)
  50. 第8章 總結(jié)
  51. 在腦海中建立可解釋性
  52. 人工智能法規(guī)與可解釋性
  53. 在可解釋人工智能中期待什么
  54. 本章小結(jié)
  55. 附錄 分類、技術(shù)與延伸閱讀
書名:面向從業(yè)者的可解釋人工智能
譯者:陳志鴻, 李廣 譯
國(guó)內(nèi)出版社:東南大學(xué)出版社
出版時(shí)間:2024年09月
頁(yè)數(shù):280
書號(hào):978-7-5766-0995-0
原版書書名:Explainable AI for Practitioners
原版書出版商:O'Reilly Media
Michael Munn
 
Michael Munn是谷歌的機(jī)器學(xué)習(xí)解決方案工程師,他幫助客戶設(shè)計(jì)、實(shí)現(xiàn)和部署機(jī)器學(xué)習(xí)模型。
 
 
David Pitman
 
David Pitman是谷歌云AI平臺(tái)的高級(jí)工程師,領(lǐng)導(dǎo)可解釋性AI團(tuán)隊(duì)。
 
 
《面向從業(yè)者的可解釋AI》封面上的動(dòng)物是一只藍(lán)頸鸚鵡(Tanygnathus lucionensis),也稱為藍(lán)冠綠鸚鵡、呂宋鸚鵡或菲律賓綠鸚鵡。它在菲律賓全境和一些鄰近島嶼上都有發(fā)現(xiàn),棲息在低地和山麓的樹木繁茂地區(qū),并在樹洞中筑巢。
藍(lán)頸鸚鵡因從冠頂延伸到頸后的淺藍(lán)色羽毛而得名。其余的羽毛主要是亮綠色的,深綠色的翅膀邊緣是藍(lán)色和黃橙色的。它們通常以低于12只的數(shù)量群居并一起覓食,以水果、種子、堅(jiān)果和谷物為食。成年藍(lán)頸鸚鵡身長(zhǎng)約12英寸,體重約半磅。
由于森林砍伐導(dǎo)致棲息地喪失和支離破碎,它們的數(shù)量已經(jīng)下降,同時(shí)還面臨著越來(lái)越多的非法貿(mào)易陷阱。因此,它們被列為瀕危物種。O’Reilly圖書封面上的許多動(dòng)物都瀕臨滅絕,它們對(duì)世界都很重要。
購(gòu)買選項(xiàng)
定價(jià):128.00元
書號(hào):978-7-5766-0995-0
出版社:東南大學(xué)出版社