AI可解释性(Python语言版)
全新正版 极速发货
￥ 35.63 6.0折 ￥ 59.8 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者[意] 列奥尼达·詹法纳(Leonida Gianfagna)、安东尼奥·迪·塞科(Antonio Di Cecco)著 郭涛 译
出版社清华大学出版社
ISBN9787302605690
出版时间2022-08
装帧其他
开本其他
定价59.8元
货号1202722068
上书时间2024-05-30
商品详情
- 品相描述：全新
- 商品描述
-
目录
第1章 前景
1.1 AI可解释性示例
1.1.1 学习阶段
1.1.2 知识发现
1.1.3 可靠性和鲁棒性
1.1.4 三个示例的启示
1.2 ML和XAI
1.2.1 ML分类法
1.2.2 常见误解
1.3 对AI可解释性的需求
1.4 可解释性与可理解性：是否为表达相同事物的不同词语
1.4.1 从物质世界到人类
1.4.2 相关性不是因果性
1.4.3 那么可理解性和可解释性的区别是什么
1.5 使ML系统具备可解释性
1.5.1 XAI工作流程
1.5.2 全局视觉
1.6 我们真的需要ML模型的可解释性吗
1.7 小结
参考文献
第2章 AI可解释性：需求、机遇和挑战
2.1 人工介入
2.1.1 半人马座XAI系统
2.1.2 从“人工介入”的角度评估XAI
2.2 如何使ML模型具备可解释性
2.2.1 内在可解释性
2.2.2 事后可解释性
2.2.3 全局或局部可解释性
2.3 解释的性质
2.4 小结
参考文献
第3章 内在可解释性模型
3.1 损失函数
3.2 线性回归
3.3 逻辑回归
3.4 决策树
3.5 K最近邻算法（KNN)
3.6 小结
参考文献
第4章 XAI的模型不可知方法
4.1 全局可解释性：排序重要性与部分依赖图
4.1.1 根据排序重要性将特征排序
4.1.2 训练集中的排序重要性
4.1.3 部分依赖图
4.1.4 解释的性质
4.2 局部可解释性：XAI与Shapley加法解释
4.2.1 Shapley值：一种博弈论方法
4.2.2 SHAP的首次应用
4.2.3 解释的性质
4.3 KernelSHAP
内容摘要
本书全面介绍了AI可解释性的概念和可用技术，使机器学习系统更易于解释。
书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。
随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务（医疗、法律和金融等等）。虽然智能体的设计原则已被理解，但目前的大多数深度学习模型对人类理解而言是“不透明的”。《AI可解释性（Python语言版）》从理论和实践的角度填补了这个新兴主题文献方面的空白，使读者能够快速地使用可解释性AI的工具和代码。
— 没有更多了 —
以下为对购买帮助不大的评价