توضیحات
Understand how to use Explainable AI (XAI) libraries and build trust in AI and machine learning models. This book utilizes a problem-solution approach to explaining Machine Learning models and their algorithms. The book starts with model interpretation for supervised learning linear models, which includes feature importance, partial dependency analysis, and influential data point analysis for both classification and regression models. Next, it explains supervised learning using non-linear models and state-of-the-art frameworks such as SHAP values/scores and LIME for local interpretation. Explainability for time series models is covered using LIME and SHAP, as are natural language processing-related tasks such as text classification, and sentiment analysis with ELI5, and ALIBI. The book concludes with complex model classification and regression-like neural networks and deep learning models using the CAPTUM framework that shows feature attribution, neuron attribution, and activation attribution. After reading this book, you will understand AI and Machine Learning models and be able to put that knowledge into practice to bring more accuracy and transparency to your analyses.
————————————————————–
ترجمه ماشینی :
نحوه استفاده از کتابخانه های هوش مصنوعی قابل توضیح (XAI) و ایجاد اعتماد به هوش مصنوعی و مدل های یادگیری ماشین را بدانید. این کتاب از رویکرد حل مسئله برای توضیح مدلهای یادگیری ماشین و الگوریتمهای آنها استفاده میکند. این کتاب با تفسیر مدل برای مدلهای خطی یادگیری نظارت شده آغاز میشود که شامل اهمیت ویژگی، تجزیه و تحلیل وابستگی جزئی و تجزیه و تحلیل نقطه دادههای تأثیرگذار برای هر دو مدل طبقهبندی و رگرسیون است. سپس، یادگیری تحت نظارت را با استفاده از مدلهای غیر خطی و چارچوبهای پیشرفته مانند مقادیر/نمرات SHAP و LIME برای تفسیر محلی توضیح میدهد. قابلیت توضیح برای مدلهای سری زمانی با استفاده از LIME و SHAP، و همچنین وظایف مربوط به پردازش زبان طبیعی مانند طبقهبندی متن، و تحلیل احساسات با ELI5 و ALIBI پوشش داده میشود. این کتاب با طبقهبندی مدل پیچیده و شبکههای عصبی رگرسیون مانند و مدلهای یادگیری عمیق با استفاده از چارچوب CAPTUM که انتساب ویژگی، انتساب نورون و انتساب فعالسازی را نشان میدهد، به پایان میرسد. پس از خواندن این کتاب، مدلهای هوش مصنوعی و یادگیری ماشینی را درک خواهید کرد و میتوانید آن دانش را در عمل به کار ببرید تا دقت و شفافیت بیشتری را در تحلیلهای خود به ارمغان بیاورید.
tag : دانلود کتاب دستور العملهای هوش مصنوعی قابل توضیح: پیادهسازی راهحلهایی برای مدلسازی توضیحپذیری و تفسیرپذیری با پایتون , Download دستور العملهای هوش مصنوعی قابل توضیح: پیادهسازی راهحلهایی برای مدلسازی توضیحپذیری و تفسیرپذیری با پایتون , دانلود دستور العملهای هوش مصنوعی قابل توضیح: پیادهسازی راهحلهایی برای مدلسازی توضیحپذیری و تفسیرپذیری با پایتون , Download Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python Book , دستور العملهای هوش مصنوعی قابل توضیح: پیادهسازی راهحلهایی برای مدلسازی توضیحپذیری و تفسیرپذیری با پایتون دانلود , buy دستور العملهای هوش مصنوعی قابل توضیح: پیادهسازی راهحلهایی برای مدلسازی توضیحپذیری و تفسیرپذیری با پایتون , خرید کتاب دستور العملهای هوش مصنوعی قابل توضیح: پیادهسازی راهحلهایی برای مدلسازی توضیحپذیری و تفسیرپذیری با پایتون , دانلود کتاب Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python , کتاب Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python , دانلود Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python , خرید Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python , خرید کتاب Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.