Recensioni dei lettori
Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 29 voti.
Titolo originale:
Interpretable Machine Learning with Python - Second Edition: Build explainable, fair, and robust high-performance models with hands-on, real-world exa
Contenuto del libro:
Un'immersione profonda negli aspetti chiave e nelle sfide dell'interpretabilità dell'apprendimento automatico utilizzando un kit completo di strumenti, tra cui SHAP, importanza delle caratteristiche e inferenza causale, per costruire modelli più equi, sicuri e affidabili.
L'acquisto del libro stampato o del Kindle include un eBook gratuito in formato PDF.
Caratteristiche principali:
⬤ Interpretare i dati del mondo reale, compresi i dati sulle malattie cardiovascolari e i punteggi di recidiva COMPAS.
⬤ Costruite il vostro kit di strumenti per l'interpretabilità con metodi globali, locali, indipendenti dal modello e specifici per il modello.
⬤ Analizzare ed estrarre informazioni da modelli complessi, da CNN a BERT a modelli di serie temporali.
Descrizione del libro:
Interpretable Machine Learning with Python, Second Edition, porta alla luce i concetti chiave dell'interpretazione dei modelli di apprendimento automatico attraverso l'analisi di dati reali, fornendo un'ampia gamma di competenze e strumenti per decifrare i risultati anche dei modelli più complessi.
Costruite il vostro kit di strumenti di interpretabilità con diversi casi d'uso, dalla previsione dei ritardi dei voli alla classificazione dei rifiuti ai punteggi di valutazione del rischio di COMPAS. Questo libro è ricco di tecniche utili, introducendole al caso d'uso giusto. Imparate i metodi tradizionali, come l'importanza delle caratteristiche e i grafici di dipendenza parziale, i gradienti integrati per le interpretazioni NLP e i metodi di attribuzione basati sui gradienti, come le mappe di salienza.
Oltre al codice passo dopo passo, potrete mettere a punto i modelli e i dati di addestramento per l'interpretabilità, riducendo la complessità, attenuando le distorsioni, ponendo barriere di sicurezza e migliorando l'affidabilità.
Alla fine del libro, sarete sicuri di poter affrontare le sfide di interpretabilità con modelli black-box utilizzando dati tabellari, linguistici, immagini e serie temporali.
Che cosa imparerete?
⬤ Progredire dalle tecniche di base a quelle avanzate, come l'inferenza causale e la quantificazione dell'incertezza.
⬤ Costruire le proprie competenze dall'analisi di modelli lineari e logistici a modelli complessi, come CatBoost, CNN e trasformatori NLP.
⬤ Usare i vincoli monotonici e di interazione per creare modelli più equi e sicuri.
⬤ Capire come mitigare l'influenza dei bias nei dataset.
⬤ Utilizzare l'analisi di sensitività e la prioritizzazione dei fattori e la correzione dei fattori per qualsiasi modello.
⬤ Scoprire come rendere i modelli più affidabili con la robustezza avversaria.
Per chi è questo libro:
Questo libro si rivolge a data scientist, sviluppatori di machine learning, ingegneri di machine learning, ingegneri MLOps e data steward che hanno la responsabilità sempre più critica di spiegare come funzionano i sistemi di intelligenza artificiale che sviluppano, il loro impatto sul processo decisionale e come identificano e gestiscono i bias. È anche una risorsa utile per gli appassionati di ML autodidatti e per i principianti che vogliono approfondire l'argomento, anche se è necessaria una buona conoscenza del linguaggio di programmazione Python per implementare gli esempi.
