توضیحات
With the increasing use of AI in high-stakes domains such as medicine, law, and defense, organizations spend a lot of time and money to make ML models trustworthy. Many books on the subject offer deep dives into theories and concepts. This guide provides a practical starting point to help development teams produce models that are secure, more robust, less biased, and more explainable.
Authors Yada Pruksachatkun, Matthew McAteer, and Subhabrata Majumdar translate best practices in the academic literature for curating datasets and building models into a blueprint for building industry-grade trusted ML systems. With this book, engineers and data scientists will gain a much-needed foundation for releasing trustworthy ML applications into a noisy, messy, and often hostile world.
You’ll learn:
Methods to explain ML models and their outputs to stakeholders
How to recognize and fix fairness concerns and privacy leaks in an ML pipeline
How to develop ML systems that are robust and secure against malicious attacks
Important systemic considerations, like how to manage trust debt and which ML obstacles require human intervention
————————————————————–
ترجمه ماشینی :
با افزایش استفاده از هوش مصنوعی در حوزه های پرمخاطب مانند پزشکی، حقوق و دفاع، سازمان ها زمان و هزینه زیادی را صرف می کنند تا مدل های ML قابل اعتماد شوند. بسیاری از کتابها در این زمینه به بررسی نظریهها و مفاهیم میپردازند. این راهنما یک نقطه شروع عملی برای کمک به تیمهای توسعه ارائه میکند که مدلهایی امن، قویتر، کمطرفانهتر و قابل توضیحتر تولید کنند. نویسندگان Yada Pruksachatkun، Matthew McAteer و Subhabrata Majumdar بهترین شیوههای موجود در ادبیات آکادمیک را برای مدیریت مجموعه دادهها و ساخت مدلها به طرحی برای ساختن سیستمهای ML قابل اعتماد در سطح صنعت ترجمه میکنند. با این کتاب، مهندسان و دانشمندان داده پایه و اساس بسیار مورد نیاز را برای انتشار برنامه های کاربردی ML قابل اعتماد در دنیای پر سر و صدا، کثیف و اغلب خصمانه به دست خواهند آورد. شما یاد خواهید گرفت: روشهایی برای توضیح مدلهای ML و خروجیهای آن برای ذینفعان نحوه تشخیص و رفع نگرانیهای مربوط به انصاف و نشت حریم خصوصی در خط لوله ML چگونه سیستمهای ML را توسعه دهیم که در برابر حملات مخرب قوی و ایمن باشند سیستمی مهم ملاحظاتی، مانند نحوه مدیریت بدهی اعتماد و اینکه کدام موانع ML نیاز به مداخله انسانی دارند
tag : دانلود کتاب تمرین یادگیری ماشینی قابل اعتماد: خطوط لوله هوش مصنوعی ثابت، شفاف و منصفانه , Download تمرین یادگیری ماشینی قابل اعتماد: خطوط لوله هوش مصنوعی ثابت، شفاف و منصفانه , دانلود تمرین یادگیری ماشینی قابل اعتماد: خطوط لوله هوش مصنوعی ثابت، شفاف و منصفانه , Download Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair AI Pipelines Book , تمرین یادگیری ماشینی قابل اعتماد: خطوط لوله هوش مصنوعی ثابت، شفاف و منصفانه دانلود , buy تمرین یادگیری ماشینی قابل اعتماد: خطوط لوله هوش مصنوعی ثابت، شفاف و منصفانه , خرید کتاب تمرین یادگیری ماشینی قابل اعتماد: خطوط لوله هوش مصنوعی ثابت، شفاف و منصفانه , دانلود کتاب Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair AI Pipelines , کتاب Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair AI Pipelines , دانلود Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair AI Pipelines , خرید Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair AI Pipelines , خرید کتاب Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair AI Pipelines ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.