Интерпретируемое машинное обучение на Python

Масис Серг
Артикул2871
ISBN 978-5-9775-1735-5
Количество страниц 384
Формат издания 165 x 215 мм
Печать Черно-белая
SKU 97241
Серия Внесерийные книги

1875 ₽
1537 ₽

  • Бумажная книга
    Бумажная книга
    1875₽
  • Электронная книга
    Электронная книга

    599₽

Описание

Книга поможет осознанно и эффективно работать с моделями машинного обучения. Дано введение в интерпретацию машинного обучения: раскрыты важность темы, ее ключевые понятия и проблемы. Рассмотрены методы интерпретации: модельно-агностические, якорные и контрфактические, для многопеременного прогнозирования, а также  визуализации сверточных нейронных сетей. Раскрыты вопросы настройки на интерпретируемость: отбор и конструирование признаков, ослабление систематического смещения и причинно-следственный вывод, монотонные ограничения, настройка моделей и устойчивость к антагонизму. Показаны перспективы развития интерпретируемых моделей машинного обучения. Каждая глава книги включает подробные примеры исходного кода на языке Python.

На сайте издательства размещен архив с цветными иллюстрациями.

Научитесь создавать интерпретируемые высокопроизводительные модели на практических примерах из реальной жизни

Интерпретируемое машинное обучение, также именуемое объяснимым искуссственным интеллектом (ИИ — explainable AI, XAI), — это постоянно растущее семейство методов, которые можно задействовать для усвоения полезной информации из моделей и для того, чтобы делать их безопасными, объективными и надежными, чего, я надеюсь, мы все хотим для наших моделей.

О чем эта книга

Эта книга поможет вам эффективно работать с моделями машинного обучения. Каждая глава включает подробные примеры исходного кода на языке Python.

Первый раздел книги представляет собой руководство для начинающих по интерпретации результатов моделирования. В нем даны основные понятия и проблемы, показано значение машинного обучения в бизнесе. Рассмотрены модели белого ящика, черного ящика и стеклянного ящика, проведено их сравнение и предложены разумные компромиссы.

Во втором разделе описан широкий спектр методов интерпретации, известных также как методы объяснимого искусственного интеллекта, и их применение в случаях  классификации, регрессии, табличных временных рядов, обработки изображений или текста. Результаты моделирования сопровождаются программными кодами и понятными примерами.

В третьем разделе рассмотрена настройка моделей и работа с обучающими данными. При этом интерпретируемость обеспечивается за счет снижения сложности, ослабления систематического смещения и повышения надежности. Рассмотрены новейшие методы выбора признаков, монотонных ограничений, состязательного переобучения и др.

К концу этой книги вы сможете лучше понимать модели машинного обучения и улучшать их за счет настройки интерпретируемости.

Для кого эта книга предназначена

  • для новичков и студентов, изучающих науку о данных, обладающих основополагающими знаниями машинного обучения и языка программирования Python;
  • для профессионалов по работе с данными, на которых возлагается все более важная ответственность в объяснении хода работы систем ИИ, которые они разрабатывают и чью работу они сопровождают технически;
  • для инженеров по машинному обучению и исследователей данных, которые хотят расширить свой набор навыков, включив в него новейшие методы интерпретации и способы уменьшения систематических ошибок;
  • для специалистов по этике ИИ, чтобы углубить свое понимание имплементационных сторон своей работы в целях более эффективного ориентирования этих усилий;
  • для менеджеров проектов ИИ и руководителей компаний, которые хотят внедрить интерпретируемое машинное обучение в свои производственные процессы, чтобы соответствовать принципам объективности, подотчетности и прозрачности.

Скачать файлы с образцами исходного кода этой книги можно из репозитория книги на GitHub по адресу https://github.com/PacktPublishing/Interpretable-Machine- Learningwith-Python/. В случае появления какого-либо обновления  исходного кода он будет обновляться в существующем репозитории GitHub. Там же в файле README.MD вы также сможете найти список требований к оборудованию и программному обеспечению.

Вы изучите:

• Проблемы интерпретируемости в бизнесе
• Внутренне интерпретируемые модели, такие как линейные модели, деревья решений и наивный байесовский метод
• Интерпретацию моделей с помощью методов, не зависящих от модели
• Работу классификатора изображений
• Методы ослабления систематического смещения
• Методы защиты моделей от атак
• Применение монотонных ограничений для повышения безопасности моделей

Интерпретируемое машинное обучение на Python

Загрузка цветных изображений

PDF-файл с цветными изображениями снимков экрана/диаграмм, используемых в этой книге можно скачать по ссылке https://static.packt-cdn.com/downloads/9781800203907_ColorImages.pdf или https://zip.bhv.ru/9785977517355.zip..

Об авторе

Serg Masís

Серг Масис (Serg Masís) в течение последних двух десятилетий трудится на стыке веб-разработки, разработки приложений и аналитики. В настоящее время он является специалистом по климатическим и агрономическим данным в Syngenta, веду- щей агробизнес-компании с миссией по улучшению глобальной продовольственной безопасности. До этого стал одним из основателей стартапа, созданного Harvard Innovation Labs, который объединил возможности облачных вычислений и машинного обучения с принципами из науки принятия решений, чтобы знакомить пользователей с новыми местами и событиями. Независимо от того, к чему это относится: к досугу, болезням растений или пожизненной ценности клиента, — Серг увлечен нахождением часто недостающих связей между данными  и процессом принятия решений, и интерпретация результатов работы моделей машинного обучения эффективно помогает преодолевать этот разрыв.

Я рад, что моя книга получила 4,5 звезды в Goodreads и 4,7 в Amazon , а также следующие награды: и «Лучшая книга об искусственном интеллекте  всех времен» от Book Authority.

Детали

Артикул 2871
ISBN 978-5-9775-1735-5
Количество страниц 384
Серия Внесерийные книги
Переплет Мягкая обложка
Печать Черно-белая
Год 2023
Габариты, мм 215 × 165 × 16
Вес, кг 0.472

Отзывы

Отзывов пока нет.

Будьте первым, кто оставил отзыв на “Интерпретируемое машинное обучение на Python”
Рассылка email
  • Новинки на 2 недели раньше магазинов
  • Цены от издательства ниже до 30%
  • Акции и скидки только для подписчиков
  • Важные новости БХВ
Подписываясь на рассылку, вы соглашаетесь с политикой конфиденциальности и обработкой своих персональных данных.

Рекомендуем также