Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 29 Stimmen.
Interpretable Machine Learning with Python - Second Edition: Build explainable, fair, and robust high-performance models with hands-on, real-world exa
Ein tiefes Eintauchen in die Schlüsselaspekte und Herausforderungen der Interpretierbarkeit von maschinellem Lernen unter Verwendung eines umfassenden Toolkits, einschließlich SHAP, Merkmalsbedeutung und kausaler Inferenz, um fairere, sicherere und zuverlässigere Modelle zu erstellen.
Der Kauf des gedruckten Buches oder des Kindle-Buches beinhaltet ein kostenloses eBook im PDF-Format.
Hauptmerkmale:
⬤ Interpretieren Sie reale Daten, einschließlich Daten zu Herz-Kreislauf-Erkrankungen und COMPAS-Rückfälligkeitsscores.
⬤ Bauen Sie Ihr Interpretations-Toolkit mit globalen, lokalen, modellagnostischen und modellspezifischen Methoden auf.
⬤ Analysieren und extrahieren Sie Erkenntnisse aus komplexen Modellen von CNNs über BERT bis hin zu Zeitreihenmodellen.
Buchbeschreibung:
Interpretierbares maschinelles Lernen mit Python, zweite Auflage, bringt die Schlüsselkonzepte der Interpretation von maschinellen Lernmodellen durch die Analyse von realen Daten ans Licht und bietet Ihnen eine breite Palette von Fähigkeiten und Werkzeugen, um die Ergebnisse selbst der komplexesten Modelle zu entschlüsseln.
Bauen Sie Ihr Interpretations-Toolkit mit verschiedenen Anwendungsfällen auf, von der Vorhersage von Flugverspätungen über die Abfallklassifizierung bis hin zu COMPAS-Risikobewertungsergebnissen. Dieses Buch ist voll von nützlichen Techniken, die für den richtigen Anwendungsfall vorgestellt werden. Lernen Sie traditionelle Methoden, wie z.B. Feature Importance und Partial Dependency Plots, bis hin zu integrierten Gradienten für NLP-Interpretationen und gradientenbasierten Attributionsmethoden, wie z.B. Saliency Maps.
Zusätzlich zum Schritt-für-Schritt-Code lernen Sie, wie Sie Modelle und Trainingsdaten für die Interpretation optimieren, indem Sie die Komplexität reduzieren, Verzerrungen abmildern, Leitplanken setzen und die Zuverlässigkeit erhöhen.
Am Ende des Buches werden Sie sicher sein, die Herausforderungen der Interpretierbarkeit mit Black-Box-Modellen unter Verwendung von Tabellen-, Sprach-, Bild- und Zeitreihendaten zu meistern.
Was Sie lernen werden:
⬤ Von grundlegenden zu fortgeschrittenen Techniken übergehen, wie z.B. kausale Inferenz und Quantifizierung von Unsicherheit.
⬤ Erweitern Sie Ihre Fähigkeiten von der Analyse linearer und logistischer Modelle bis hin zu komplexen Modellen, wie CatBoost, CNNs und NLP-Transformatoren.
⬤ Verwenden Sie monotone und interaktive Beschränkungen, um gerechtere und sicherere Modelle zu erstellen.
⬤ Verstehen Sie, wie Sie den Einfluss von Verzerrungen in Datensätzen abmildern können.
⬤ Nutzen Sie die Sensitivitätsanalyse zur Priorisierung von Faktoren und zur Festlegung von Faktoren für jedes Modell.
⬤ Entdecken Sie, wie Sie Modelle mit adversarialer Robustheit zuverlässiger machen können.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Datenwissenschaftler, Entwickler von maschinellem Lernen, Ingenieure für maschinelles Lernen, MLOps-Ingenieure und Datenverwalter, die eine zunehmend kritische Verantwortung dafür tragen, zu erklären, wie die von ihnen entwickelten Systeme der künstlichen Intelligenz funktionieren, welche Auswirkungen sie auf die Entscheidungsfindung haben und wie sie Verzerrungen erkennen und verwalten. Es ist auch eine nützliche Ressource für ML-Enthusiasten und Anfänger, die tiefer in die Materie einsteigen wollen, obwohl gute Kenntnisse der Programmiersprache Python erforderlich sind, um die Beispiele zu implementieren.
