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.

О чем эта книга

• Первый раздел: руководство для начинающих по интерпретации результатов моделирования — основные понятия и проблемы, значение машинного обучения в бизнесе, сравнение моделей белого, черного и стеклянного ящика и разумные компромиссы
• Второй раздел: широкий спектр методов интерпретации (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
• Третий раздел: настройка моделей и работа с обучающими данными; интерпретируемость обеспечивается за счет снижения сложности, ослабления систематического смещения и повышения надежности; новейшие методы выбора признаков, монотонных ограничений, состязательного переобучения и другие

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

Для кого книга

• 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