可解释AI实战(PyTorch版)
全新正版 极速发货
￥ 59.94 6.1折 ￥ 98 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(英)阿杰伊·塔姆佩|译者:叶伟民//朱明超//刘华//叶孟良//袁敏
出版社清华大学
ISBN9787302654865
出版时间2024-03
装帧其他
开本其他
定价98元
货号32000555
上书时间2024-11-14
商品详情
- 品相描述：全新
- 商品描述
-
目录
第Ⅰ部分 可解释基础知识
第1章 导论
1.1 Diagnostics+AI——AI系统示例
1.2 机器学习系统的类型
1.2.1 数据的表示
1.2.2 监督学习
1.2.3 无监督学习
1.2.4 强化学习
1.2.5 最适合Diagnosticst AI的机器学习系统
1.3 构建Diagnostics+AI
1.4 Diagnostics+的主要问题
1.4.1 数据泄露
1.4.2 偏见
1.4.3 监管不合规
1.4.4 概念漂移
1.5 如何解决这些主要问题
1.6 Interpretability与Explainability
1.7 你将在本书学到什么
1.7.1 本书使用的工具
1.7.2 阅读本书所需的基础知识
1.8 本章小结
第2章 白盒模型
2.1 白盒模型概述
2.2 Diagnostics+AI示例：预测糖尿病进展情况
2.3 线性回归
2.3.1 解释线性回归
2.3.2 线性回归的局限性
2.4 决策树
2.4.1 解释决策树
2.4.2 决策树的局限性
2.5 广义可加模型（GAM）
2.5.1 回归样条
2.5.2 GAM用于Diagnostics+AI预测糖尿病进展
2.5.3 解释GAM
2.5.4 GAM的局限性
2.6 展望黑盒模型
2.7 本章小结
第Ⅱ部分 解释模型处理
第3章 全局与模型无关可解释技术
3.1 高中生成绩预测器
3.2 集成树
3.3 解释随机森林
3.4 模型无关方法：全局可解释
3.4.1 部分依赖图
3.4.2 特征的相互作用
3.5 本章小结
第4章 局部与模型无关可解释技术
4.1 Diagnostics+AI示例：乳腺癌诊断
4.2 探索性数据分析
4.3 深度神经网络
内容摘要
对于深度学习模型，常常很难解释其工作方式，即使是创建这些模型的数据科学家也不例外。提高机器学习模型的透明度和可解释性可以最大限度地减少错误，减少意想不到的偏见，增加用户对结果的信任。本书讲述了探索“黑盒”模型内部机制的技术，提供了设计可靠算法的方法，并揭示了导致结果偏差的各种关键因素。
本书将教会你识别模型所学习到的模式，并解释为何会产生这样的结果。通过阅读本书，你将掌握一些用于解释白盒模型（如线性回归和广义可加模型）的方法，以及一些用于解释复杂深度学习模型的方法。可解释AI是一个快速发展的领域，本书将该领域的前沿研究简
化为你可以在Python中实现的实际方法。
— 没有更多了 —
以下为对购买帮助不大的评价