دانلود کتاب Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more – تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید.

توضیحات

Leverage top XAI frameworks to explain your machine learning models with ease and discover best practices and guidelines to build scalable explainable ML systems

Key Features

• Explore various explainability methods for designing robust and scalable explainable ML systems
• Use XAI frameworks such as LIME and SHAP to make ML models explainable to solve practical problems
• Design user-centric explainable ML systems using guidelines provided for industrial applications

Book Description

Explainable AI (XAI) is an emerging field that brings artificial intelligence (AI) closer to non-technical end users. XAI makes machine learning (ML) models transparent and trustworthy along with promoting AI adoption for industrial and research use cases.

Applied Machine Learning Explainability Techniques comes with a unique blend of industrial and academic research perspectives to help you acquire practical XAI skills. You’ll begin by gaining a conceptual understanding of XAI and why it’s so important in AI. Next, you’ll get the practical experience needed to utilize XAI in AI/ML problem-solving processes using state-of-the-art methods and frameworks. Finally, you’ll get the essential guidelines needed to take your XAI journey to the next level and bridge the existing gaps between AI and end users.

By the end of this ML book, you’ll be equipped with best practices in the AI/ML life cycle and will be able to implement XAI methods and approaches using Python to solve industrial problems, successfully addressing key pain points encountered.

What you will learn

• Explore various explanation methods and their evaluation criteria
• Learn model explanation methods for structured and unstructured data
• Apply data-centric XAI for practical problem-solving
• Hands-on exposure to LIME, SHAP, TCAV, DALEX, ALIBI, DiCE, and others
• Discover industrial best practices for explainable ML systems
• Use user-centric XAI to bring AI closer to non-technical end users
• Address open challenges in XAI using the recommended guidelines

Who this book is for

This book is designed for scientists, researchers, engineers, architects, and managers who are actively engaged in the field of Machine Learning and related areas. In general, anyone who is interested in problem-solving using AI would be benefited from this book. The readers are recommended to have a foundational knowledge of Python, Machine Learning, Deep Learning, and Data Science. This book is ideal for readers who are working in the following roles:

• Data and AI Scientists
• AI/ML Engineers
• AI/ML Product Managers
• AI Product Owners
• AI/ML Researchers
• User experience and HCI Researchers

Table of Contents

1. Foundational Concepts of Explainability Techniques
2. Model Explainability Methods
3. Data-Centric Approaches
4. LIME for Model Interpretability
5. Practical Exposure to Using LIME in ML
6. Model Interpretability Using SHAP
7. Practical Exposure to Using SHAP in ML
8. Human-Friendly Explanations with TCAV
9. Other Popular XAI Frameworks
10. XAI Industry Best Practices
11. End User-Centered Artificial Intelligence

————————————————————–

ترجمه ماشینی :

از چارچوب‌های برتر XAI استفاده کنید تا مدل‌های یادگیری ماشین خود را به آسانی توضیح دهید و بهترین شیوه‌ها و دستورالعمل‌ها را برای ساختن سیستم‌های ML قابل توضیح مقیاس‌پذیر کشف کنید

ویژگی‌های کلیدی< /span>

• کاوش روش‌های مختلف توضیح‌پذیری برای طراحی سیستم‌های ML قابل توضیح قوی و مقیاس‌پذیر
• از چارچوب های XAI مانند LIME و SHAP برای توضیح دادن مدل های ML برای حل مشکلات عملی استفاده کنید
• <. span>طراحی سیستم های ML قابل توضیح کاربر محور با استفاده از دستورالعمل های ارائه شده برای کاربردهای صنعتی

توضیحات کتاب

هوش مصنوعی قابل توضیح (XAI) یک زمینه نوظهور است که هوش مصنوعی (AI) را به کاربران نهایی غیر فنی نزدیک‌تر می‌کند. XAI مدل‌های یادگیری ماشینی (ML) را شفاف و قابل اعتماد می‌سازد و همچنین پذیرش هوش مصنوعی را برای موارد استفاده صنعتی و تحقیقاتی ترویج می‌کند.

تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی با ترکیبی منحصربه‌فرد از دیدگاه‌های پژوهشی صنعتی و دانشگاهی ارائه می‌شود تا به شما کمک کند تا عملی کسب کنید. مهارت های XAI شما با به دست آوردن درک مفهومی از XAI و چرایی اهمیت آن در هوش مصنوعی شروع خواهید کرد. در مرحله بعد، تجربه عملی مورد نیاز برای استفاده از XAI در فرآیندهای حل مسئله AI/ML با استفاده از روش‌ها و چارچوب‌های پیشرفته را به دست خواهید آورد. در نهایت، دستورالعمل‌های ضروری مورد نیاز برای ارتقای سفر XAI خود به سطح بعدی و پر کردن شکاف‌های موجود بین هوش مصنوعی و کاربران نهایی را دریافت خواهید کرد.

در پایان این کتاب ML، به شما مجهز خواهید شد. بهترین شیوه‌ها در چرخه حیات هوش مصنوعی/ML است و می‌تواند روش‌ها و رویکردهای XAI را با استفاده از پایتون برای حل مشکلات صنعتی پیاده‌سازی کند، و با موفقیت به نکات کلیدی دردناکی که با آن مواجه می‌شوید رسیدگی کند.

آنچه خواهید آموخت.

• روش‌های مختلف توضیح و معیارهای ارزیابی آنها را کاوش کنید
• روش های توضیح مدل را برای داده های ساختاریافته و بدون ساختار بیاموزید
• استفاده از XAI داده محور برای مشکلات عملی- حل
• قرار گرفتن مستقیم با LIME، SHAP، TCAV، DALEX، ALIBI، DiCE و موارد دیگر< /li>
• بهترین شیوه های صنعتی برای سیستم های ML قابل توضیح را کشف کنید
• از XAI کاربر محور برای نزدیک کردن هوش مصنوعی استفاده کنید به کاربران نهایی غیر فنی
• با استفاده از دستورالعمل‌های توصیه‌شده، چالش‌های باز در XAI را برطرف کنید


این کتاب برای چه کسانی است

این کتاب برای دانشمندان، محققان، مهندسان، معماران و مدیرانی طراحی شده است که فعالانه در زمینه یادگیری ماشینی و حوزه های مرتبط شرکت می کند. به طور کلی، هر کسی که علاقه مند به حل مسئله با استفاده از هوش مصنوعی باشد، از این کتاب بهره مند خواهد شد. به خوانندگان توصیه می شود که دانش پایه ای از پایتون، یادگیری ماشین، یادگیری عمیق و علم داده داشته باشند. این کتاب برای خوانندگانی که در نقش های زیر کار می کنند ایده آل است:

• دانشمندان داده و هوش مصنوعی
• مهندسین AI/ML
• مدیران محصول AI/ML
• صاحبان محصولات هوش مصنوعی
• محققان AI/ML
• تجربه کاربر و پژوهشگران HCI


جدول مطالب

1. مفاهیم بنیادی تکنیک‌های توضیح‌پذیری
2. روش‌های توضیح‌پذیری مدل
3. رویکردهای داده‌محور
4. < span>LIME برای تفسیرپذیری مدل
5. مواجهه عملی با استفاده از LIME در ML

< li>تفسیرپذیری مدل با استفاده از SHAP

6. معرفی عملی با استفاده از SHAP در ML
7. توضیحات انسان دوستانه با TCAV
8. سایر چارچوب‌های محبوب XAI
9. بهترین شیوه های صنعت XAI
10. هوش مصنوعی کاربر محور نهایی

---

 

tag : دانلود کتاب تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. , Download تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. , دانلود تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. , Download Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more Book , تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. دانلود , buy تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. , خرید کتاب تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. , دانلود کتاب Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more , کتاب Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more , دانلود Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more , خرید Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more , خرید کتاب Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more ,