دانلود کتاب Interpretable Machine Learning with Python: Learn to build interpretable high-performance models with hands-on real-world examples (به فارسی: یادگیری ماشینی قابل تفسیر با پایتون: آموزش ساخت مدلهای با کارایی بالا قابل تفسیر با مثالهای واقعی واقعی) نوشته شده توسط «Serg Masís»
اطلاعات کتاب یادگیری ماشینی قابل تفسیر با پایتون: آموزش ساخت مدلهای با کارایی بالا قابل تفسیر با مثالهای واقعی واقعی
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Serg Masís
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 736
حجم فایل: 15.39 مگابایت
کد کتاب: 180020390X , 9781800203907
توضیحات کتاب یادگیری ماشینی قابل تفسیر با پایتون: آموزش ساخت مدلهای با کارایی بالا قابل تفسیر با مثالهای واقعی واقعی
جنبهها و چالشهای کلیدی تفسیرپذیری یادگیری ماشینی را درک کنید، یاد بگیرید چگونه با روشهای تفسیر بر آنها غلبه کنید، و از آنها برای ساخت مدلهای منصفانهتر، ایمنتر و قابل اعتمادتر استفاده کنید
ویژگیهای کلیدی
- بیاموزید که چگونه از هر مدل یادگیری ماشینی بینشهای قابل فهم استخراج کنید
- با تکنیکهای تفسیرپذیری برای ساخت مدلهای منصفانهتر، ایمنتر و مطمئنتر آشنا شوید
- با یادگیری نحوه اشکالزدایی مدلهای جعبه سیاه خطرات را در سیستمهای هوش مصنوعی پیش از اینکه پیامدهای گستردهتری داشته باشند کاهش دهید
توضیح کتاب
آیا میخواهید مدلهای خود را درک کنید و خطرات مرتبط با پیشبینیهای ضعیف را با استفاده از یادگیری ماشین کاهش دهید. (ML) تفسیر؟ یادگیری ماشینی قابل تفسیر با پایتون میتواند به شما کمک کند تا به طور موثر با مدلهای ML کار کنید.
بخش اول کتاب راهنمای مبتدی برای تفسیرپذیری است که ارتباط آن در تجارت را پوشش میدهد و جنبهها و چالشهای کلیدی آن را بررسی میکند. شما روی نحوه عملکرد مدلهای جعبه سفید تمرکز خواهید کرد، آنها را با مدلهای جعبه سیاه و جعبه شیشهای مقایسه میکنید و مبادله آنها را بررسی میکنید. بخش دوم شما را با مجموعه وسیعی از روشهای تفسیر، که به روشهای هوش مصنوعی توضیحپذیر (XAI) نیز شناخته میشود، و نحوه اعمال آنها در موارد استفاده مختلف، چه برای طبقهبندی یا رگرسیون، برای جدولها و سریهای زمانی، آشنا میکند. ، تصویر یا متن علاوه بر کد گام به گام، این کتاب همچنین به خواننده کمک می کند تا نتایج مدل را با استفاده از مثال ها تفسیر کند. در بخش سوم، با کاهش پیچیدگی، کاهش تعصب، قرار دادن نردههای محافظ و افزایش قابلیت اطمینان، با مدلهای تنظیم و دادههای آموزشی برای تفسیرپذیری آشنا خواهید شد. روشهایی که در اینجا کاوش میکنید از پیشرفتهترین روشهای انتخاب ویژگی و روشهای بیطرفسازی مجموعه دادهها تا محدودیتهای یکنواخت و بازآموزی متخاصم را شامل میشود.
در پایان این کتاب، میتوانید درک کنید. مدلهای ML را بهتر میسازد و آنها را از طریق تنظیم تفسیرپذیری بهبود میبخشد.
آنچه یاد خواهید گرفت
- به اهمیت تفسیرپذیری در تجارت پی ببرید
- مدلهایی را مطالعه کنید که ذاتاً قابل تفسیر هستند مانند مدلهای خطی، تصمیمگیری درختان، و سادهلوح بیز
- در تفسیر مدلها با روشهای مدل-آگنوستیک به خوبی متبحر شوید
- تجسم نحوه کار یک طبقهبندیکننده تصویر و آنچه میآموزد.
- درک نحوه کار برای کاهش تأثیر سوگیری در مجموعه دادهها
- کشف کنید که چگونه مدلها را با استحکام متخاصم قابل اعتمادتر کنید
- از محدودیتهای یکنواخت برای ایجاد مدلهای منصفانهتر و ایمنتر استفاده کنید
چه کسی این کتاب برای
این کتاب برای دانشمندان داده، توسعه دهندگان یادگیری ماشین و مباشران داده است که به طور فزاینده ای پاسخ حیاتی دارند. توانایی توضیح نحوه عملکرد سیستمهای هوش مصنوعی، تأثیر آنها بر تصمیمگیری، و نحوه شناسایی و مدیریت سوگیری. دانش کاری یادگیری ماشین و زبان برنامه نویسی پایتون مورد انتظار است.
فهرست محتوا
- تفسیر، تفسیرپذیری و توضیح پذیری. و چرا همه چیز مهم است؟
- مفاهیم کلیدی تفسیرپذیری
- چالش های تفسیری
- مبانی اهمیت و تاثیر ویژگی
- مدل جهانی- روشهای تفسیر آگنوستیک
- روشهای تفسیر مدل محلی-آگنوستیک
- توضیحات لنگر و خلاف واقع
- تجسم شبکههای عصبی کانولوشن
- روشهای تفسیری برای پیشبینی چند متغیره و تحلیل حساسیت
- انتخاب ویژگی و مهندسی برای تفسیرپذیری
- روشهای کاهش تعصب و استنتاج علی
- محدودیتهای یکنواخت و تنظیم مدل برای تفسیرپذیری
- استحکام خصمانه
- آینده برای تفسیرپذیری یادگیری ماشین چیست؟
Understand the key aspects and challenges of machine learning interpretability, learn how to overcome them with interpretation methods, and leverage them to build fairer, safer, and more reliable models
Key Features
- Learn how to extract easy-to-understand insights from any machine learning model
- Become well-versed with interpretability techniques to build fairer, safer, and more reliable models
- Mitigate risks in AI systems before they have broader implications by learning how to debug black-box models
Book Description
Do you want to understand your models and mitigate risks associated with poor predictions using machine learning (ML) interpretation? Interpretable Machine Learning with Python can help you work effectively with ML models.
The first section of the book is a beginner’s guide to interpretability, covering its relevance in business and exploring its key aspects and challenges. You’ll focus on how white-box models work, compare them to black-box and glass-box models, and examine their trade-off. The second section will get you up to speed with a vast array of interpretation methods, also known as Explainable AI (XAI) methods, and how to apply them to different use cases, be it for classification or regression, for tabular, time-series, image or text. In addition to the step-by-step code, the book also helps the reader to interpret model outcomes using examples. In the third section, you’ll get hands-on with tuning models and training data for interpretability by reducing complexity, mitigating bias, placing guardrails, and enhancing reliability. The methods you’ll explore here range from state-of-the-art feature selection and dataset debiasing methods to monotonic constraints and adversarial retraining.
By the end of this book, you’ll be able to understand ML models better and enhance them through interpretability tuning.
What you will learn
- Recognize the importance of interpretability in business
- Study models that are intrinsically interpretable such as linear models, decision trees, and Naive Bayes
- Become well-versed in interpreting models with model-agnostic methods
- Visualize how an image classifier works and what it learns
- Understand how to mitigate the influence of bias in datasets
- Discover how to make models more reliable with adversarial robustness
- Use monotonic constraints to make fairer and safer models
Who this book is for
This book is for data scientists, machine learning developers, and data stewards who have an increasingly critical responsibility to explain how the AI systems they develop work, their impact on decision making, and how they identify and manage bias. Working knowledge of machine learning and the Python programming language is expected.
Table of Contents
- Interpretation, Interpretability and Explainability; and why does it all matter?
- Key Concepts of Interpretability
- Interpretation Challenges
- Fundamentals of Feature Importance and Impact
- Global Model-Agnostic Interpretation Methods
- Local Model-Agnostic Interpretation Methods
- Anchor and Counterfactual Explanations
- Visualizing Convolutional Neural Networks
- Interpretation Methods for Multivariate Forecasting and Sensitivity Analysis
- Feature Selection and Engineering for Interpretability
- Bias Mitigation and Causal Inference Methods
- Monotonic Constraints and Model Tuning for Interpretability
- Adversarial Robustness
- What’s Next for Machine Learning Interpretability?
📖 خرید این کتاب
برای دریافت فایل و اطلاع از قیمت، روی یکی از دکمههای زیر کلیک کنید تا پیام آماده برای شما ارسال شود:
پس از ارسال پیام، قیمت و لینک دریافت فایل در اسرع وقت برای شما ارسال خواهد شد.