دانلود کتاب Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps – هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد

توضیحات

Resolve the black box models in your AI applications to make them fair, trustworthy, and secure. Familiarize yourself with the basic principles and tools to deploy Explainable AI (XAI) into your apps and reporting interfaces.

Key Features

• Learn explainable AI tools and techniques to process trustworthy AI results
• Understand how to detect, handle, and avoid common issues with AI ethics and bias
• Integrate fair AI into popular apps and reporting tools to deliver business value using Python and associated tools

Book Description

Effectively translating AI insights to business stakeholders requires careful planning, design, and visualization choices. Describing the problem, the model, and the relationships among variables and their findings are often subtle, surprising, and technically complex.

Hands-On Explainable AI (XAI) with Python will see you work with specific hands-on machine learning Python projects that are strategically arranged to enhance your grasp on AI results analysis. You will be building models, interpreting results with visualizations, and integrating XAI reporting tools and different applications.

You will build XAI solutions in Python, TensorFlow 2, Google Cloud’s XAI platform, Google Colaboratory, and other frameworks to open up the black box of machine learning models. The book will introduce you to several open-source XAI tools for Python that can be used throughout the machine learning project life cycle.

You will learn how to explore machine learning model results, review key influencing variables and variable relationships, detect and handle bias and ethics issues, and integrate predictions using Python along with supporting the visualization of machine learning models into user explainable interfaces.

By the end of this AI book, you will possess an in-depth understanding of the core concepts of XAI.

What you will learn

• Plan for XAI through the different stages of the machine learning life cycle
• Estimate the strengths and weaknesses of popular open-source XAI applications
• Examine how to detect and handle bias issues in machine learning data
• Review ethics considerations and tools to address common problems in machine learning data
• Share XAI design and visualization best practices
• Integrate explainable AI results using Python models
• Use XAI toolkits for Python in machine learning life cycles to solve business problems

Who this book is for

This book is not an introduction to Python programming or machine learning concepts. You must have some foundational knowledge and/or experience with machine learning libraries such as scikit-learn to make the most out of this book.

Some of the potential readers of this book include:

1. Professionals who already use Python for as data science, machine learning, research, and analysis
2. Data analysts and data scientists who want an introduction into explainable AI tools and techniques
3. AI Project managers who must face the contractual and legal obligations of AI Explainability for the acceptance phase of their applications

Table of Contents

1. Explaining Artificial Intelligence with Python
2. White Box XAI for AI Bias and Ethics
3. Explaining Machine Learning with Facets
4. Microsoft Azure Machine Learning Model Interpretability with SHAP
5. Building an Explainable AI Solution from Scratch
6. AI Fairness with Google’s What-If Tool (WIT)
7. A Python Client for Explainable AI Chatbots
8. Local Interpretable Model-Agnostic Explanations (LIME)
9. The Counterfactual Explanations Method
10. Contrastive XAI
11. Anchors XAI
12. Cognitive XAI

————————————————————–

ترجمه ماشینی :

مدل‌های جعبه سیاه را در برنامه‌های هوش مصنوعی خود حل کنید تا آنها را منصفانه، قابل اعتماد و ایمن کنید. با اصول و ابزارهای اساسی برای استقرار هوش مصنوعی قابل توضیح (XAI) در برنامه ها و رابط های گزارش خود آشنا شوید.

ویژگی های کلیدی

• ابزارهای هوش مصنوعی قابل توضیح را بیاموزید و تکنیک‌هایی برای پردازش نتایج قابل اعتماد هوش مصنوعی
• درک نحوه شناسایی، مدیریت و اجتناب از مسائل رایج مربوط به اخلاق و تعصب هوش مصنوعی
• ادغام هوش مصنوعی منصفانه در برنامه‌ها و ابزارهای گزارش‌دهی محبوب برای ارائه ارزش تجاری با استفاده از پایتون و ابزارهای مرتبط

توضیحات کتاب

ترجمه موثر بینش‌های هوش مصنوعی به سهامداران کسب‌وکار نیازمند برنامه‌ریزی، طراحی و انتخاب‌های تجسم دقیق است. توصیف مسئله، مدل و روابط بین متغیرها و یافته‌های آنها اغلب ظریف، شگفت‌انگیز و از نظر فنی پیچیده است.

هندز-آی توضیح‌پذیر هوش مصنوعی (XAI) با پایتون به شما این امکان را می‌دهد که با پروژه‌های پایتون یادگیری ماشینی عملی خاصی کار کنید که به‌طور استراتژیک برای افزایش درک شما از تجزیه و تحلیل نتایج هوش مصنوعی تنظیم شده‌اند. شما مدل‌هایی می‌سازید، نتایج را با تجسم تفسیر می‌کنید و ابزارهای گزارش‌دهی XAI و برنامه‌های مختلف را یکپارچه می‌کنید.

شما راه‌حل‌های XAI را در پایتون، TensorFlow 2، پلتفرم XAI Google Cloud، Google Colaboratory و سایر چارچوب‌ها ایجاد خواهید کرد تا جعبه سیاه مدل‌های یادگیری ماشین را باز کنید. این کتاب شما را با چندین ابزار منبع باز XAI برای پایتون آشنا می کند که می توانند در طول چرخه عمر پروژه یادگیری ماشین استفاده شوند.

شما یاد خواهید گرفت که چگونه نتایج مدل یادگیری ماشینی را کاوش کنید، متغیرهای تاثیرگذار کلیدی و روابط متغیرها را بررسی کنید، سوگیری ها و مسائل اخلاقی را شناسایی و مدیریت کنید، و پیش بینی ها را با استفاده از Python به همراه پشتیبانی از تجسم مدل های یادگیری ماشین در کاربر ادغام کنید. رابط های قابل توضیح

در پایان این کتاب هوش مصنوعی، درک عمیقی از مفاهیم اصلی XAI خواهید داشت.

آنچه خواهید آموخت

• برای XAI از طریق مراحل مختلف چرخه زندگی یادگیری ماشین برنامه ریزی کنید
• نقاط قوت و ضعف برنامه های محبوب منبع باز XAI را برآورد کنید
• بررسی نحوه شناسایی و رسیدگی به مسائل سوگیری در ماشین داده های یادگیری
• بررسی ملاحظات اخلاقی و ابزارها برای رسیدگی به مشکلات رایج در داده های یادگیری ماشینی
• بهترین شیوه های طراحی و تجسم XAI را به اشتراک بگذارید
• نتایج هوش مصنوعی قابل توضیح را با استفاده از مدل های پایتون ادغام کنید
• از جعبه ابزار XAI برای پایتون در چرخه زندگی یادگیری ماشین برای حل مشکلات تجاری استفاده کنید

این کتاب برای چه کسی است

این کتاب مقدمه نیست به مفاهیم برنامه نویسی پایتون یا یادگیری ماشین. برای استفاده حداکثری از این کتاب، باید مقداری دانش و/یا تجربه اساسی در مورد کتابخانه های یادگیری ماشینی مانند scikit-learn داشته باشید.

برخی از خوانندگان بالقوه این کتاب عبارتند از:

1. حرفه‌ایانی که قبلاً از Python برای علم داده، یادگیری ماشین، تحقیق و تجزیه و تحلیل استفاده می‌کنند.
2. تحلیلگران داده و دانشمندان داده که خواهان معرفی ابزارها و تکنیک های هوش مصنوعی قابل توضیح هستند
3. مدیران پروژه هوش مصنوعی که باید برای مرحله پذیرش برنامه های خود با تعهدات قراردادی و قانونی AI Explainability مواجه شوند

ol>

فهرست محتوا

1. تبیین هوش مصنوعی با پایتون
2. White Box XAI برای تعصب و اخلاق هوش مصنوعی
3. تبیین یادگیری ماشینی با جنبه‌ها
4. تفسیرپذیری مدل یادگیری ماشینی Microsoft Azure با SHAP
5. ایجاد یک راه حل قابل توضیح هوش مصنوعی از ابتدا
6. عادلانه AI با ابزار What-If Google (WIT)
7. یک کلاینت پایتون برای چت ربات‌های هوش مصنوعی قابل توضیح
8. توضیحات محلی قابل تفسیر مدل-آگنوستیک (LIME)
9. روش توضیح‌های خلاف واقع
10. XAI متضاد
11. Anchors XAI
12. Cognitive XAI

---

 

tag : دانلود کتاب هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد , Download هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد , دانلود هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد , Download Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps Book , هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد دانلود , buy هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد , خرید کتاب هوش مصنوعی قابل توضیح (XAI) با پایتون: تفسیر، تجسم، توضیح و ادغام هوش مصنوعی قابل اعتماد برای برنامه‌های هوش مصنوعی منصفانه، ایمن و قابل اعتماد , دانلود کتاب Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps , کتاب Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps , دانلود Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps , خرید Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps , خرید کتاب Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps ,