Recensioni dei lettori
Riepilogo:Il libro “Interpretable Machine Learning with Python” è altamente raccomandato come risorsa completa e accessibile per la comprensione e l'applicazione delle tecniche di apprendimento automatico, con particolare attenzione all'interpretabilità. Si rivolge a principianti, intermedi e avanzati grazie a spiegazioni esaurienti, abbondanti esempi e indicazioni pratiche per la codifica. Tuttavia, la sua natura tecnica può rappresentare una sfida per i neofiti che non hanno alcun background in materia.
Vantaggi:Una risorsa completa che copre un'ampia gamma di argomenti nell'apprendimento automatico interpretabile.
Svantaggi:Esempi abbondanti e spiegazioni approfondite che si adattano a vari livelli di competenza.
(basato su 25 recensioni dei lettori)
Titolo originale:
Interpretable Machine Learning with Python: Learn to build interpretable high-performance models with hands-on real-world examples
Contenuto del libro:
Comprendere gli aspetti chiave e le sfide dell'interpretabilità dell'apprendimento automatico, imparare a superarli con i metodi di interpretazione e sfruttarli per costruire modelli più equi, sicuri e affidabili.
Caratteristiche principali:
⬤ Imparare a estrarre intuizioni di facile comprensione da qualsiasi modello di apprendimento automatico.
⬤ Diventa esperto di tecniche di interpretabilità per costruire modelli più equi, sicuri e affidabili.
⬤ Eliminare i rischi nei sistemi di IA prima che abbiano implicazioni più ampie, imparando a eseguire il debug dei modelli black-box.
Descrizione del libro:
Volete comprendere i vostri modelli e mitigare i rischi associati a previsioni errate utilizzando l'interpretazione dell'apprendimento automatico (ML)? Interpretable Machine Learning with Python può aiutarvi a lavorare efficacemente con i modelli di ML.
La prima sezione del libro è una guida per principianti all'interpretabilità, che copre la sua importanza nel mondo degli affari e ne esplora gli aspetti chiave e le sfide. Si concentra su come funzionano i modelli white-box, li confronta con i modelli black-box e glass-box ed esamina i loro compromessi. La seconda sezione vi farà conoscere una vasta gamma di metodi di interpretazione, noti anche come metodi Explainable AI (XAI), e come applicarli a diversi casi d'uso, che si tratti di classificazione o regressione, di tabelle, serie temporali, immagini o testi. Oltre al codice passo-passo, il libro aiuta il lettore a interpretare i risultati del modello con degli esempi. Nella terza sezione, si passa alla messa a punto dei modelli e dei dati di addestramento per renderli interpretabili, riducendo la complessità, attenuando le distorsioni, ponendo dei paletti e migliorando l'affidabilità. I metodi che esplorerete spaziano dai più moderni metodi di selezione delle caratteristiche e di debiasing del dataset ai vincoli monotonici e alla riqualificazione avversaria.
Alla fine di questo libro, sarete in grado di comprendere meglio i modelli ML e di migliorarli attraverso la messa a punto dell'interpretabilità.
Che cosa imparerete?
⬤ Riconoscere l'importanza dell'interpretabilità nel business.
⬤ Studiare modelli intrinsecamente interpretabili come i modelli lineari, gli alberi decisionali e Na ve Bayes.
⬤ Diventare esperti nell'interpretazione dei modelli con i metodi "model-agnostic".
⬤ Visualizzare come funziona un classificatore di immagini e cosa impara.
⬤ Capire come mitigare l'influenza dei bias negli insiemi di dati.
⬤ Scoprire come rendere i modelli più affidabili con la robustezza avversaria.
⬤ Usare i vincoli monotonici per creare modelli più equi e sicuri.
A chi è rivolto questo libro:
Questo libro si rivolge a data scientist, sviluppatori di machine learning e data steward che hanno la responsabilità sempre più critica di spiegare come funzionano i sistemi di IA che sviluppano, il loro impatto sul processo decisionale e come identificano e gestiscono i bias. È richiesta una conoscenza pratica dell'apprendimento automatico e del linguaggio di programmazione Python.
