توضیحات
AI doesnt have to be a black box. These practical techniques help shine a light on your models mysterious inner workings. Make your AI more transparent, and youll improve trust in your results, combat data leakage and bias, and ensure compliance with legal requirements.
In Interpretable AI, you will learn:
Why AI models are hard to interpret
Interpreting white box models such as linear regression, decision trees, and generalized additive models
Partial dependence plots, LIME, SHAP and Anchors, and other techniques such as saliency mapping, network dissection, and representational learning
What fairness is and how to mitigate bias in AI systems
Implement robust AI systems that are GDPR-compliant
Interpretable AI opens up the black box of your AI models. It teaches cutting-edge techniques and best practices that can make even complex AI systems interpretable. Each method is easy to implement with just Python and open source libraries. Youll learn to identify when you can utilize models that are inherently transparent, and how to mitigate opacity when your problem demands the power of a hard-to-interpret deep learning model.
About the technology
Its often difficult to explain how deep learning models work, even for the data scientists who create them. Improving transparency and interpretability in machine learning models minimizes errors, reduces unintended bias, and increases trust in the outcomes. This unique book contains techniques for looking inside black box models, designing accountable algorithms, and understanding the factors that cause skewed results.
About the book
Interpretable AI teaches you to identify the patterns your model has learned and why it produces its results. As you read, youll pick up algorithm-specific approaches, like interpreting regression and generalized additive models, along with tips to improve performance during training. Youll also explore methods for interpreting complex deep learning models where some processes are not easily observable. AI transparency is a fast-moving field, and this book simplifies cutting-edge research into practical methods you can implement with Python.
What’s inside
Techniques for interpreting AI models
Counteract errors from bias, data leakage, and concept drift
Measuring fairness and mitigating bias
Building GDPR-compliant AI systems
About the reader
For data scientists and engineers familiar with Python and machine learning.
About the author
Ajay Thampi is a machine learning engineer focused on responsible AI and fairness.
————————————————————–
ترجمه ماشینی :
هوش مصنوعی نباید یک جعبه سیاه باشد. این تکنیک های عملی به تابش نور بر روی عملکرد اسرار آمیز درونی مدل های شما کمک می کند. هوش مصنوعی خود را شفافتر کنید و اعتماد به نتایج خود را بهبود میبخشید، با نشت دادهها و سوگیری مبارزه میکنید و از رعایت الزامات قانونی اطمینان حاصل میکنید. در Interpretable AI، یاد خواهید گرفت: چرا مدلهای هوش مصنوعی تفسیر سخت هستند تفسیر مدلهای جعبه سفید مانند رگرسیون خطی، درختهای تصمیمگیری و مدلهای افزایشی تعمیمیافته نمودارهای وابستگی جزئی، LIME، SHAP و Anchors، و تکنیکهای دیگر مانند همانطور که نقشه برداری برجسته، کالبد شکافی شبکه و یادگیری بازنمایی انصاف چیست و چگونه تعصب در سیستم های هوش مصنوعی را کاهش دهیم پیاده سازی سیستم های هوش مصنوعی قوی که مطابق با GDPR هستند هوش مصنوعی قابل تفسیر جعبه سیاه مدل های هوش مصنوعی شما را باز می کند. این تکنیکها و بهترین روشهای پیشرفته را آموزش میدهد که میتواند حتی سیستمهای پیچیده هوش مصنوعی را قابل تفسیر کند. پیاده سازی هر روش فقط با پایتون و کتابخانه های منبع باز آسان است. شما یاد خواهید گرفت که تشخیص دهید چه زمانی میتوانید از مدلهایی استفاده کنید که ذاتاً شفاف هستند، و چگونه میتوانید کدورت را در زمانی که مشکل شما به قدرت یک مدل یادگیری عمیق نیاز دارد که تفسیر آن سخت است، کاهش دهید. توضیح اینکه چگونه مدلهای یادگیری عمیق کار میکنند، حتی برای دانشمندان داده که آنها را ایجاد میکنند، اغلب دشوار است. بهبود شفافیت و تفسیرپذیری در مدلهای یادگیری ماشین، خطاها را به حداقل میرساند، سوگیری ناخواسته را کاهش میدهد و اعتماد به نتایج را افزایش میدهد. این کتاب منحصربهفرد شامل تکنیکهایی برای نگاه کردن به مدلهای جعبه سیاه، طراحی الگوریتمهای پاسخگو و درک عواملی است که باعث نتایج ناهموار میشوند. درباره کتاب هوش مصنوعی قابل تفسیر به شما می آموزد که الگوهایی را که مدل شما یاد گرفته است و چرا نتایج خود را ایجاد می کند شناسایی کنید. همانطور که مطالعه می کنید، رویکردهای خاص الگوریتم، مانند تفسیر رگرسیون و مدل های افزایشی تعمیم یافته، همراه با نکاتی برای بهبود عملکرد در طول تمرین را انتخاب می کنید. شما همچنین روشهایی را برای تفسیر مدلهای یادگیری عمیق پیچیده که در آن برخی از فرآیندها به راحتی قابل مشاهده نیستند، بررسی خواهید کرد. شفافیت هوش مصنوعی یک زمینه سریع در حال حرکت است و این کتاب تحقیقات پیشرفته را در مورد روش های عملی که می توانید با پایتون پیاده سازی کنید، ساده می کند. چه چیزی در داخل است تکنیکهایی برای تفسیر مدلهای هوش مصنوعی مقابله با خطاهای ناشی از سوگیری، نشت دادهها و رانش مفهومی اندازهگیری انصاف
tag : دانلود کتاب هوش مصنوعی قابل تفسیر: ساخت سیستمهای یادگیری ماشینی قابل توضیح , Download هوش مصنوعی قابل تفسیر: ساخت سیستمهای یادگیری ماشینی قابل توضیح , دانلود هوش مصنوعی قابل تفسیر: ساخت سیستمهای یادگیری ماشینی قابل توضیح , Download Interpretable AI: Building explainable machine learning systems Book , هوش مصنوعی قابل تفسیر: ساخت سیستمهای یادگیری ماشینی قابل توضیح دانلود , buy هوش مصنوعی قابل تفسیر: ساخت سیستمهای یادگیری ماشینی قابل توضیح , خرید کتاب هوش مصنوعی قابل تفسیر: ساخت سیستمهای یادگیری ماشینی قابل توضیح , دانلود کتاب Interpretable AI: Building explainable machine learning systems , کتاب Interpretable AI: Building explainable machine learning systems , دانلود Interpretable AI: Building explainable machine learning systems , خرید Interpretable AI: Building explainable machine learning systems , خرید کتاب Interpretable AI: Building explainable machine learning systems ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.