Интерпретируемое машинное обучение на Python, Масис С., 2023

Интерпретируемое машинное обучение на Python, Масис С., 2023.

   Книга поможет осознанно и эффективно работать с моделями машинного обучения. Дано введение в интерпретацию машинного обучения: раскрыты важность темы, ее ключевые понятия и проблемы. Рассмотрены методы интерпретации: модельно-агностические, якорные и контрфактические, для многопеременного прогнозирования, а также визуализации сверточных нейронных сетей. Раскрыты вопросы настройки на интерпретируемость: отбор и конструирование признаков, ослабление систематического смещения и причинно-следственный вывод, монотонные ограничения, настройка моделей и устойчивость к антагонизму. Показаны перспективы развития интерпретируемых моделей машинного обучения. Каждая глава книги включает подробные примеры исходного кода на языке Python.
На сайте издательства размещен архив с цветными иллюстрациями.




Что такое интерпретируемость?
Интерпретируемость позволяет уяснить, насколько люди, включая экспертов, не относящихся к обсуждаемому предмету, могут понимать причину и следствие, а также данные на входе в модель машинного обучения и на выходе из нее. Сказать, что модель обладает высоким уровнем интерпретируемости, означает, что можно описать ее вывод в доступном для толкования человеком ключе. Другими словами, почему данные на входе в модель дают определенный результат на выходе? Каковы требования и ограничения данных на выходе? Какими границами уверенности обладают предсказания? Или почему одна переменная оказывает более существенное влияние, чем другая? Говоря об интерпретируемости, следует учесть, что подробное описание хода работы модели имеет значение только в той степени, в которой она может объяснять свои предсказания и оправдывать свое применение.

В приведенном в этой главе примере вы могли бы заметить, что между ростом и весом человека существует линейная связь, поэтому имеет смысл использовать линейно-регрессионную модель, а не нелинейную. Это можно доказать статистически. потому что участвующие переменные не нарушают допущения линейной регрессии. Даже когда статистика на нашей стороне, все равно следует учесть знания из предметной области, связанной с вариантом использования. В данном конкретном случае наша уверенность опирается на биологию, потому что наши знания физиологии человека не противоречат взаимосвязи между ростом и весом.

ОГЛАВЛЕНИЕ.
Об авторе.
О рецензентах.
Предисловие.
Для кого эта книга предназначена.
Что эта книга охватывает.
Как получить максимальную отдачу от этой книги.
Загрузка файлов с исходным кодом.
Загрузка цветных изображений.
Используемые условные обозначения.
ЧАСТЬ I. ВВЕДЕНИЕ В ИНТЕРПРЕТАЦИЮ МАШИННОГО ОБУЧЕНИЯ.
Глава 1. Интерпретация, интерпретируемость и объяснимость: почему всё это важно?.
Глава 2. Ключевые понятия интерпретируемости.
Глава 3. Трудности интерпретации.
ЧАСТЬ II. ОСВОЕНИЕ МЕТОДОВ ИНТЕРПРЕТАЦИИ.
Глава 4. Основы важности признаков и их влияние.
Глава 5. Модельно-агностические методы глобальной интерпретации.
Глава 6. Модельно-агностические методы локальной интерпретации.
Глава 7. Якорные и контрфактические объяснения.
Глава 8. Визуализация сверточных нейронных сетей.
Глава 9. Методы интерпретации для многопеременного прогнозирования и анализа чувствительности.
ЧАСТЬ III. НАСТРОЙКА НА ИНТЕРПРЕТИРУЕМОСТЬ.
Глава 10. Отбор и конструирование признаков для обеспечения интерпретируемости.
Глава 11. Ослабление систематического смещения и причинно-следственный вывод.
Глава 12. Монотонные ограничения и настройка моделей на интерпретируемость.
Глава 13. Устойчивость к антагонизму.
Глава 14. Интерпретируемость машинного обучения: что дальше?.
Предметный указатель.

Купить .





Теги: учебник по программированию :: программирование :: Масис :: интерпретируемость