面向從業(yè)者的可解釋人工智能
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。
- 序言
- 前言
- 第1章 簡(jiǎn)介
- AI的可解釋性緣何而生
- 可解釋AI的內(nèi)涵
- 誰(shuí)需要可解釋性?
- 可解釋性面臨的挑戰(zhàn)
- 可解釋性評(píng)估
- 可解釋性用法
- 本章小結(jié)
- 第2章 可解釋性概述
- 什么是解釋?
- 可理解性與可解釋性
- 可解釋性的用戶
- 解釋的類型
- 貫穿可解釋性的主題
- 匯集
- 本章小結(jié)
- 第3章 表格數(shù)據(jù)的可解釋性
- 排列特征重要性
- Shapley值
- 解釋基于樹的模型
- 偏依賴圖和相關(guān)圖
- 本章小結(jié)
- 第4章 圖像數(shù)據(jù)的可解釋性
- 積分梯度
- XRAI
- Grad-CAM
- LIME
- 引導(dǎo)反向傳播和引導(dǎo)Grad-CAM
- 本章小結(jié)
- 第5章 文本數(shù)據(jù)的可解釋性
- 文本模型構(gòu)建概述
- LIME
- 梯度×輸入
- 分層積分梯度
- 逐層關(guān)聯(lián)傳播
- 使用哪種方法?
- 本章小結(jié)
- 第6章 先進(jìn)和新興主題
- 替代可解釋性技術(shù)
- 其他模態(tài)
- 可解釋性技術(shù)的評(píng)估
- 本章小結(jié)
- 第7章 與可解釋AI交互
- 誰(shuí)使用可解釋性?
- 如何有效地呈現(xiàn)解釋
- 使用可解釋性的常見(jiàn)誤區(qū)
- 本章小結(jié)
- 第8章 總結(jié)
- 在腦海中建立可解釋性
- 人工智能法規(guī)與可解釋性
- 在可解釋人工智能中期待什么
- 本章小結(jié)
- 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。