IA interpretabile: costruire sistemi di apprendimento automatico spiegabili

Recensioni dei lettori

Questo libro è una guida completa all'interpretazione dei modelli di apprendimento automatico, accessibile sia agli esperti che a coloro che hanno una formazione minima in questo campo. Esplora varie tecniche di apprendimento supervisionato e i metodi utilizzati per interpretarne i risultati, affrontando anche i limiti di queste tecniche di interpretabilità. È particolarmente utile per i professionisti, i decisori e chiunque sia coinvolto in applicazioni di IA, in particolare quelle che hanno un impatto sui sistemi critici per la sicurezza.

⬤ Fornisce esempi chiari e un approccio semplice alla comprensione dei modelli di apprendimento automatico.
⬤ Utile per i professionisti, anche per coloro che hanno una minima esperienza nell'apprendimento automatico.
⬤ Copre metodi di interpretazione delle reti neurali sia classici che complessi.
⬤ Affronta questioni vitali come la perdita di dati, i pregiudizi e la conformità.
⬤ Sottolinea l'importanza dell'interpretabilità dei modelli nelle applicazioni critiche per la sicurezza.

⬤ I lettori che non hanno un background nell'apprendimento automatico potrebbero avere difficoltà con alcuni dettagli tecnici.
⬤ Vengono discussi alcuni limiti delle tecniche di interpretabilità, ma alcuni lettori potrebbero desiderare approfondimenti.

(basato su 5 recensioni dei lettori)

Titolo originale:

Interpretable AI: Building Explainable Machine Learning Systems

Contenuto del libro:

Interpretable AI è una guida pratica alle tecniche di interpretabilità che aprono la scatola nera dell'IA.

I modelli di IA possono diventare così complessi che persino gli esperti hanno difficoltà a comprenderli... e dimenticatevi di spiegare le sfumature di un gruppo di algoritmi innovativi a un interlocutore aziendale! Interpretable AI è ricco di tecniche all'avanguardia che miglioreranno la comprensione del funzionamento dei modelli di IA.

Interpretable AI è una guida pratica alle tecniche di interpretabilità che aprono la scatola nera dell'IA. Questa guida pratica semplifica la ricerca d'avanguardia sull'IA trasparente e spiegabile, offrendo metodi pratici che si possono facilmente implementare con Python e librerie open source. Con esempi tratti da tutti i principali approcci all'apprendimento automatico, questo libro dimostra perché alcuni approcci all'IA sono così opachi, insegna a identificare i modelli appresi dal modello e presenta le migliori pratiche per costruire modelli equi e imparziali.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.