Bewertung:
Das Buch „Interpretierbares maschinelles Lernen mit Python“ ist als umfassende und leicht zugängliche Ressource für das Verständnis und die Anwendung von Techniken des maschinellen Lernens sehr zu empfehlen, wobei der Schwerpunkt auf der Interpretierbarkeit liegt. Es wendet sich mit seinen gründlichen Erklärungen, zahlreichen Beispielen und praktischen Anleitungen zur Programmierung an Anfänger, Fortgeschrittene und Profis. Die technische Natur des Buches kann jedoch für völlige Neulinge, die keine Vorkenntnisse auf diesem Gebiet haben, eine Herausforderung darstellen.
Vorteile:Umfassende Ressource, die ein breites Spektrum an Themen des interpretierbaren maschinellen Lernens abdeckt.
Nachteile:Reichlich Beispiele und gründliche Erklärungen, die auf verschiedene Kenntnisstufen zugeschnitten sind.
(basierend auf 25 Leserbewertungen)
Interpretable Machine Learning with Python: Learn to build interpretable high-performance models with hands-on real-world examples
Verstehen Sie die Schlüsselaspekte und Herausforderungen der Interpretierbarkeit von maschinellem Lernen, lernen Sie, wie man sie mit Interpretationsmethoden überwindet, und nutzen Sie sie, um fairere, sicherere und zuverlässigere Modelle zu erstellen.
Hauptmerkmale:
⬤ Lernen Sie, wie Sie aus jedem maschinellen Lernmodell leicht verständliche Erkenntnisse gewinnen können.
⬤ Lernen Sie die Techniken der Interpretierbarkeit kennen, um fairere, sicherere und zuverlässigere Modelle zu erstellen.
⬤ Entschärfen Sie Risiken in KI-Systemen, bevor sie weitreichende Auswirkungen haben, indem Sie lernen, wie man Black-Box-Modelle debuggt.
Buchbeschreibung:
Möchten Sie Ihre Modelle verstehen und die mit schlechten Vorhersagen verbundenen Risiken mithilfe der Interpretation von maschinellem Lernen (ML) mindern? Interpretierbares maschinelles Lernen mit Python kann Ihnen helfen, effektiv mit ML-Modellen zu arbeiten.
Der erste Teil des Buches ist ein Leitfaden für Einsteiger, der die Bedeutung der Interpretierbarkeit in der Wirtschaft behandelt und ihre wichtigsten Aspekte und Herausforderungen untersucht. Sie werden sich darauf konzentrieren, wie White-Box-Modelle funktionieren, sie mit Black-Box- und Glass-Box-Modellen vergleichen und ihren Kompromiss untersuchen. Im zweiten Teil lernen Sie eine Vielzahl von Interpretationsmethoden kennen, die auch als Explainable AI (XAI) bekannt sind, und erfahren, wie Sie diese auf verschiedene Anwendungsfälle anwenden können, sei es für Klassifizierung oder Regression, für Tabellen, Zeitreihen, Bilder oder Text. Neben dem Schritt-für-Schritt-Code hilft das Buch dem Leser auch, die Modellergebnisse anhand von Beispielen zu interpretieren. Im dritten Abschnitt werden Sie sich praktisch mit der Abstimmung von Modellen und Trainingsdaten für die Interpretierbarkeit befassen, indem Sie die Komplexität reduzieren, Verzerrungen abmildern, Leitplanken setzen und die Zuverlässigkeit erhöhen. Die Methoden, die Sie hier erforschen werden, reichen von hochmodernen Feature-Selektionen und Dataset-Debiasing-Methoden bis hin zu monotonen Constraints und adversarialem Retraining.
Am Ende dieses Buches werden Sie in der Lage sein, ML-Modelle besser zu verstehen und sie durch Optimierung der Interpretierbarkeit zu verbessern.
Was Sie lernen werden:
⬤ Erkennen Sie die Bedeutung der Interpretierbarkeit in der Wirtschaft.
⬤ Untersuchen Sie Modelle, die an sich interpretierbar sind, wie lineare Modelle, Entscheidungsbäume und Na ve Bayes.
⬤ Erfahren Sie, wie man Modelle mit modellagnostischen Methoden interpretiert.
⬤ Visualisieren Sie, wie ein Bildklassifikator arbeitet und was er lernt.
⬤ Verstehen Sie, wie Sie den Einfluss von Verzerrungen in Datensätzen abmildern können.
⬤ Entdecken Sie, wie Sie Modelle mit adversarialer Robustheit zuverlässiger machen können.
⬤ Verwenden Sie monotone Beschränkungen, um gerechtere und sicherere Modelle zu erstellen.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Datenwissenschaftler, Entwickler von maschinellem Lernen und Datenverwalter, die in zunehmendem Maße dafür verantwortlich sind, zu erklären, wie die von ihnen entwickelten KI-Systeme funktionieren, welche Auswirkungen sie auf die Entscheidungsfindung haben und wie sie Verzerrungen erkennen und verwalten. Arbeitskenntnisse in maschinellem Lernen und der Programmiersprache Python werden vorausgesetzt.
