توضیحات
Most intermediate-level machine learning books focus on how to optimize models by increasing accuracy or decreasing prediction error. But this approach often overlooks the importance of understanding why and how your ML model makes the predictions that it does.
Explainability methods provide an essential toolkit for better understanding model behavior, and this practical guide brings together best-in-class techniques for model explainability. Experienced machine learning engineers and data scientists will learn hands-on how these techniques work so that you’ll be able to apply these tools more easily in your daily workflow.
This essential book provides:
A detailed look at some of the most useful and commonly used explainability techniques, highlighting pros and cons to help you choose the best tool for your needs
Tips and best practices for implementing these techniques
A guide to interacting with explainability and how to avoid common pitfalls
The knowledge you need to incorporate explainability in your ML workflow to help build more robust ML systems
Advice about explainable AI techniques, including how to apply techniques to models that consume tabular, image, or text data
Example implementation code in Python using well-known explainability libraries for models built in Keras and TensorFlow 2.0, PyTorch, and HuggingFace
————————————————————–
ترجمه ماشینی :
بیشتر کتابهای یادگیری ماشین سطح متوسط بر نحوه بهینهسازی مدلها با افزایش دقت یا کاهش خطای پیشبینی تمرکز میکنند. اما این رویکرد اغلب اهمیت درک اینکه چرا و چگونه مدل ML شما پیش بینی هایی را انجام می دهد نادیده می گیرد. روشهای توضیحپذیری یک ابزار ضروری برای درک بهتر رفتار مدل ارائه میکنند، و این راهنمای عملی بهترین تکنیکهای کلاس را برای توضیحپذیری مدل گرد هم میآورد. مهندسان باتجربه یادگیری ماشین و دانشمندان داده به طور عملی نحوه عملکرد این تکنیک ها را یاد می گیرند تا بتوانید این ابزارها را راحت تر در گردش کار روزانه خود به کار ببرید. \ این کتاب ضروری ارائه می دهد: نگاهی دقیق به برخی از مفیدترین و متداول ترین تکنیک های توضیح پذیری، برجسته کردن مزایا و معایب برای کمک به انتخاب بهترین ابزار برای نیازهای خود نکات و بهترین شیوه ها برای اجرای این تکنیک ها راهنمای تعامل با توضیح پذیری و نحوه جلوگیری از مشکلات رایج دانشی که برای کمک به ایجاد سیستمهای ML قویتر برای کمک به ساختن سیستمهای ML قویتر نیاز دارید، از جمله نحوه اعمال تکنیکها در مدلهایی که از جدول، تصویر یا متن استفاده میکنند. data کد پیادهسازی نمونه در پایتون با استفاده از کتابخانههای قابل توضیح معروف برای مدلهای ساخته شده در Keras و TensorFlow 2.0، PyTorch و HuggingFace
tag : دانلود کتاب هوش مصنوعی قابل توضیح برای تمرینکنندگان: طراحی و پیادهسازی راهحلهای قابل توضیح ML , Download هوش مصنوعی قابل توضیح برای تمرینکنندگان: طراحی و پیادهسازی راهحلهای قابل توضیح ML , دانلود هوش مصنوعی قابل توضیح برای تمرینکنندگان: طراحی و پیادهسازی راهحلهای قابل توضیح ML , Download Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions Book , هوش مصنوعی قابل توضیح برای تمرینکنندگان: طراحی و پیادهسازی راهحلهای قابل توضیح ML دانلود , buy هوش مصنوعی قابل توضیح برای تمرینکنندگان: طراحی و پیادهسازی راهحلهای قابل توضیح ML , خرید کتاب هوش مصنوعی قابل توضیح برای تمرینکنندگان: طراحی و پیادهسازی راهحلهای قابل توضیح ML , دانلود کتاب Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions , کتاب Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions , دانلود Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions , خرید Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions , خرید کتاب Explainable AI for Practitioners: Designing and Implementing Explainable ML Solutions ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.