中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 可解釋AI實(shí)戰(zhàn)(PYTORCH版)
開(kāi)本：
其他
頁(yè)數(shù)：
284
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥73.5
加入購(gòu)物車(chē)
可解釋AI實(shí)戰(zhàn)(PYTORCH版) 版權(quán)信息
- ISBN：9787302654865
- 條形碼：9787302654865 ; 978-7-302-65486-5
- 裝幀：線裝
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>>
可解釋AI實(shí)戰(zhàn)(PYTORCH版) 本書(shū)特色
對(duì)于深度學(xué)習(xí)模型，常常很難解釋其工作方式，即使是創(chuàng)建這些模型的數(shù)據(jù)科學(xué)家也不例外。提高機(jī)器學(xué)習(xí)模型的透明度和可解釋性可以*大限度地減少錯(cuò)誤，減少意想不到的偏見(jiàn)，增加用戶(hù)對(duì)結(jié)果的信任。《可解釋AI實(shí)戰(zhàn)（PyTorch版）》講述了探索“黑盒”模型內(nèi)部的技術(shù)，提供了設(shè)計(jì)可靠算法的方法，并揭示了導(dǎo)致結(jié)果偏差的各種關(guān)鍵因素。
可解釋AI實(shí)戰(zhàn)(PYTORCH版) 內(nèi)容簡(jiǎn)介
可解釋AI(Interpretable AI)將教會(huì)你識(shí)別模型所學(xué)習(xí)的模式及其產(chǎn)生結(jié)果的原因。通過(guò)閱讀《可解釋AI實(shí)戰(zhàn)（PyTorch版）》，你將掌握一些用于解釋白盒模型(如線性回歸和廣義可加模型)的方法，以及一些用于解釋復(fù)雜深度學(xué)習(xí)模型的方法。可解釋AI是一個(gè)快速發(fā)展的領(lǐng)域，本書(shū)將該領(lǐng)域的前沿研究簡(jiǎn)化為你可以在Python中實(shí)現(xiàn)的實(shí)際方法。 主要內(nèi)容 ● 解釋AI模型的技術(shù) ● **限度地減少錯(cuò)誤、偏見(jiàn)、數(shù)據(jù)泄露和概念漂移 ● 度量公平性和減少偏見(jiàn) ● 構(gòu)建符合GDPR的AI系統(tǒng)
可解釋AI實(shí)戰(zhàn)(PYTORCH版) 目錄
第Ⅰ部分 可解釋基礎(chǔ)知識(shí)
第1章 導(dǎo)論 3
1.1 Diagnostics AI——AI系統(tǒng)示例 3
1.2 機(jī)器學(xué)習(xí)系統(tǒng)的類(lèi)型 4
1.2.1 數(shù)據(jù)的表示 4
1.2.2 監(jiān)督學(xué)習(xí) 6
1.2.3 無(wú)監(jiān)督學(xué)習(xí) 7
1.2.4 強(qiáng)化學(xué)習(xí) 7
1.2.5 *適合Diagnostics AI的機(jī)器學(xué)習(xí)系統(tǒng) 8
1.3 構(gòu)建Diagnostics AI 8
1.4 Diagnostics 的主要問(wèn)題 10
1.4.1 數(shù)據(jù)泄露 10
1.4.2 偏見(jiàn) 10
1.4.3 監(jiān)管不合規(guī) 11
1.4.4 概念漂移 11
1.5 如何解決這些主要問(wèn)題 11
1.6 Interpretability與Explainability 13
1.7 你將在本書(shū)學(xué)到什么 15
1.7.1 本書(shū)使用的工具 17
1.7.2 閱讀本書(shū)所需的基礎(chǔ)知識(shí) 17
1.8 本章小結(jié) 18
第2章 白盒模型 19
2.1 白盒模型概述 20
2.2 Diagnostics AI示例：預(yù)測(cè)糖尿病進(jìn)展情況 21
2.3 線性回歸 24
2.3.1 解釋線性回歸 27
2.3.2 線性回歸的局限性 29
2.4 決策樹(shù) 30
2.4.1 解釋決策樹(shù) 32
2.4.2 決策樹(shù)的局限性 35
2.5 廣義可加模型(GAM) 36
2.5.1 回歸樣條 38
2.5.2 GAM用于Diagnostics AI預(yù)測(cè)糖尿病進(jìn)展 42
2.5.3 解釋GAM 43
2.5.4 GAM的局限性 46
2.6 展望黑盒模型 46
2.7 本章小結(jié) 48 第Ⅱ部分 解釋模型處理
第3章 全局與模型無(wú)關(guān)可解釋技術(shù) 51
3.1 高中生成績(jī)預(yù)測(cè)器 52
3.2 集成樹(shù) 57
3.3 解釋隨機(jī)森林 63
3.4 模型無(wú)關(guān)方法：全局可解釋 65
3.4.1 部分依賴(lài)圖 66
3.4.2 特征的相互作用 71
3.5 本章小結(jié) 77
第4章 局部與模型無(wú)關(guān)可解釋技術(shù) 79
4.1 Diagnostics AI示例：乳腺癌診斷 80
4.2 探索性數(shù)據(jù)分析 81
4.3 深度神經(jīng)網(wǎng)絡(luò) 84
4.3.1 數(shù)據(jù)準(zhǔn)備 88
4.3.2 訓(xùn)練和評(píng)估DNN 90
4.4 解釋DNN 92
4.5 LIME 94
4.6 SHAP 103
4.7 錨定 106
4.8 本章小結(jié) 110
第5章 顯著圖 113
5.1 Diagnostics AI示例：浸潤(rùn)性導(dǎo)管癌檢測(cè) 114
5.2 探索性數(shù)據(jù)分析 114
5.3 卷積神經(jīng)網(wǎng)絡(luò) 117
5.3.1 數(shù)據(jù)準(zhǔn)備 121
5.3.2 訓(xùn)練和評(píng)估CNN 123
5.4 解釋CNN 126
5.4.1 概率分布圖 126
5.4.2 LIME 127
5.4.3 視覺(jué)歸因法 132
5.5 標(biāo)準(zhǔn)反向傳播 134
5.6 導(dǎo)向反向傳播 138
5.7 其他基于梯度的方法 140
5.8 Grad-CAM和導(dǎo)向Grad-CAM 141
5.9 我應(yīng)該使用哪種歸因法 145
5.10 本章小結(jié) 147 第Ⅲ部分 解釋模型表示
第6章 理解層和單元 151
6.1 視覺(jué)理解 152
6.2 回顧卷積神經(jīng)網(wǎng)絡(luò) 153
6.3 神經(jīng)網(wǎng)絡(luò)剖析框架 155
6.3.1 概念定義 156
6.3.2 網(wǎng)絡(luò)探測(cè) 157
6.3.3 量化對(duì)齊 160
6.4 解釋層和單元 160
6.4.1 運(yùn)行網(wǎng)絡(luò)剖析 161
6.4.2 概念檢測(cè)器 165
6.4.3 訓(xùn)練任務(wù)的概念檢測(cè)器 171
6.4.4 可視化概念檢測(cè)器 176
6.4.5 網(wǎng)絡(luò)剖析的局限性 179
6.5 本章小結(jié) 179
第7章 理解語(yǔ)義相似性 181
7.1 情感分析 182
7.2 探索性數(shù)據(jù)分析 183
7.3 神經(jīng)網(wǎng)絡(luò)詞嵌入 187
7.3.1 獨(dú)熱編碼 187
7.3.2 Word2Vec 188
7.3.3 GloVe嵌入 191
7.3.4 情感分析模型 193
7.4 解釋語(yǔ)義相似性 194
7.4.1 度量相似性 196
7.4.2 主成分分析(PCA) 199
7.4.3 t分布隨機(jī)近鄰嵌入(t-SNE) 204
7.4.4 驗(yàn)證語(yǔ)義相似性的可視化 208
7.5 本章小結(jié) 210
第Ⅳ部分 公平和偏見(jiàn)
第8章 公平和減少偏見(jiàn) 213
8.1 成年人收入預(yù)測(cè) 215
8.1.1 探索性數(shù)據(jù)分析 216
8.1.2 預(yù)測(cè)模型 218
8.2 公平性概念 221
8.2.1 人口平等 222
8.2.2 機(jī)會(huì)和幾率平等 225
8.2.3 其他公平性概念 228
8.3 可解釋和公平性 229
8.3.1 源自輸入特征的歧視 229
8.3.2 源自表示的歧視 233
8.4 減少偏見(jiàn) 234
8.4.1 無(wú)意識(shí)公平 234
8.4.2 通過(guò)重新加權(quán)糾正標(biāo)注偏見(jiàn) 235
8.5 數(shù)據(jù)集的數(shù)據(jù)表 238
8.6 本章小結(jié) 240
第9章 XAI 243
9.1 XAI概述 245
9.2 反事實(shí)說(shuō)明 247
9.3 本章小結(jié) 251
附錄A 設(shè)置環(huán)境 253
A.1 Python代碼 253
A.2 Git代碼庫(kù) 253
A.3 Conda環(huán)境 253
A.4 Jupyter notebooks 254
A.5 Docker 254
附錄B PyTorch 257
B.1 什么是PyTorch 257
B.2 安裝PyTorch 257
B.3 張量 258
B.3.1 數(shù)據(jù)類(lèi)型 259
B.3.2 CPU和GPU張量 260
B.3.3 運(yùn)算 260
B.4 Dataset和DataLoader 261
B.5 建模 263
B.5.1 自動(dòng)微分法 263
B.5.2 模型定義 265
B.5.3 訓(xùn)練 267
第1章 導(dǎo)論 3
1.1 Diagnostics AI——AI系統(tǒng)示例 3
1.2 機(jī)器學(xué)習(xí)系統(tǒng)的類(lèi)型 4
1.2.1 數(shù)據(jù)的表示 4
1.2.2 監(jiān)督學(xué)習(xí) 6
1.2.3 無(wú)監(jiān)督學(xué)習(xí) 7
1.2.4 強(qiáng)化學(xué)習(xí) 7
1.2.5 *適合Diagnostics AI的機(jī)器學(xué)習(xí)系統(tǒng) 8
1.3 構(gòu)建Diagnostics AI 8
1.4 Diagnostics 的主要問(wèn)題 10
1.4.1 數(shù)據(jù)泄露 10
1.4.2 偏見(jiàn) 10
1.4.3 監(jiān)管不合規(guī) 11
1.4.4 概念漂移 11
1.5 如何解決這些主要問(wèn)題 11
1.6 Interpretability與Explainability 13
1.7 你將在本書(shū)學(xué)到什么 15
1.7.1 本書(shū)使用的工具 17
1.7.2 閱讀本書(shū)所需的基礎(chǔ)知識(shí) 17
1.8 本章小結(jié) 18
第2章 白盒模型 19
2.1 白盒模型概述 20
2.2 Diagnostics AI示例：預(yù)測(cè)糖尿病進(jìn)展情況 21
2.3 線性回歸 24
2.3.1 解釋線性回歸 27
2.3.2 線性回歸的局限性 29
2.4 決策樹(shù) 30
2.4.1 解釋決策樹(shù) 32
2.4.2 決策樹(shù)的局限性 35
2.5 廣義可加模型(GAM) 36
2.5.1 回歸樣條 38
2.5.2 GAM用于Diagnostics AI預(yù)測(cè)糖尿病進(jìn)展 42
2.5.3 解釋GAM 43
2.5.4 GAM的局限性 46
2.6 展望黑盒模型 46
2.7 本章小結(jié) 48 第Ⅱ部分 解釋模型處理
第3章 全局與模型無(wú)關(guān)可解釋技術(shù) 51
3.1 高中生成績(jī)預(yù)測(cè)器 52
3.2 集成樹(shù) 57
3.3 解釋隨機(jī)森林 63
3.4 模型無(wú)關(guān)方法：全局可解釋 65
3.4.1 部分依賴(lài)圖 66
3.4.2 特征的相互作用 71
3.5 本章小結(jié) 77
第4章 局部與模型無(wú)關(guān)可解釋技術(shù) 79
4.1 Diagnostics AI示例：乳腺癌診斷 80
4.2 探索性數(shù)據(jù)分析 81
4.3 深度神經(jīng)網(wǎng)絡(luò) 84
4.3.1 數(shù)據(jù)準(zhǔn)備 88
4.3.2 訓(xùn)練和評(píng)估DNN 90
4.4 解釋DNN 92
4.5 LIME 94
4.6 SHAP 103
4.7 錨定 106
4.8 本章小結(jié) 110
第5章 顯著圖 113
5.1 Diagnostics AI示例：浸潤(rùn)性導(dǎo)管癌檢測(cè) 114
5.2 探索性數(shù)據(jù)分析 114
5.3 卷積神經(jīng)網(wǎng)絡(luò) 117
5.3.1 數(shù)據(jù)準(zhǔn)備 121
5.3.2 訓(xùn)練和評(píng)估CNN 123
5.4 解釋CNN 126
5.4.1 概率分布圖 126
5.4.2 LIME 127
5.4.3 視覺(jué)歸因法 132
5.5 標(biāo)準(zhǔn)反向傳播 134
5.6 導(dǎo)向反向傳播 138
5.7 其他基于梯度的方法 140
5.8 Grad-CAM和導(dǎo)向Grad-CAM 141
5.9 我應(yīng)該使用哪種歸因法 145
5.10 本章小結(jié) 147 第Ⅲ部分 解釋模型表示
第6章 理解層和單元 151
6.1 視覺(jué)理解 152
6.2 回顧卷積神經(jīng)網(wǎng)絡(luò) 153
6.3 神經(jīng)網(wǎng)絡(luò)剖析框架 155
6.3.1 概念定義 156
6.3.2 網(wǎng)絡(luò)探測(cè) 157
6.3.3 量化對(duì)齊 160
6.4 解釋層和單元 160
6.4.1 運(yùn)行網(wǎng)絡(luò)剖析 161
6.4.2 概念檢測(cè)器 165
6.4.3 訓(xùn)練任務(wù)的概念檢測(cè)器 171
6.4.4 可視化概念檢測(cè)器 176
6.4.5 網(wǎng)絡(luò)剖析的局限性 179
6.5 本章小結(jié) 179
第7章 理解語(yǔ)義相似性 181
7.1 情感分析 182
7.2 探索性數(shù)據(jù)分析 183
7.3 神經(jīng)網(wǎng)絡(luò)詞嵌入 187
7.3.1 獨(dú)熱編碼 187
7.3.2 Word2Vec 188
7.3.3 GloVe嵌入 191
7.3.4 情感分析模型 193
7.4 解釋語(yǔ)義相似性 194
7.4.1 度量相似性 196
7.4.2 主成分分析(PCA) 199
7.4.3 t分布隨機(jī)近鄰嵌入(t-SNE) 204
7.4.4 驗(yàn)證語(yǔ)義相似性的可視化 208
7.5 本章小結(jié) 210
第Ⅳ部分 公平和偏見(jiàn)
第8章 公平和減少偏見(jiàn) 213
8.1 成年人收入預(yù)測(cè) 215
8.1.1 探索性數(shù)據(jù)分析 216
8.1.2 預(yù)測(cè)模型 218
8.2 公平性概念 221
8.2.1 人口平等 222
8.2.2 機(jī)會(huì)和幾率平等 225
8.2.3 其他公平性概念 228
8.3 可解釋和公平性 229
8.3.1 源自輸入特征的歧視 229
8.3.2 源自表示的歧視 233
8.4 減少偏見(jiàn) 234
8.4.1 無(wú)意識(shí)公平 234
8.4.2 通過(guò)重新加權(quán)糾正標(biāo)注偏見(jiàn) 235
8.5 數(shù)據(jù)集的數(shù)據(jù)表 238
8.6 本章小結(jié) 240
第9章 XAI 243
9.1 XAI概述 245
9.2 反事實(shí)說(shuō)明 247
9.3 本章小結(jié) 251
附錄A 設(shè)置環(huán)境 253
A.1 Python代碼 253
A.2 Git代碼庫(kù) 253
A.3 Conda環(huán)境 253
A.4 Jupyter notebooks 254
A.5 Docker 254
附錄B PyTorch 257
B.1 什么是PyTorch 257
B.2 安裝PyTorch 257
B.3 張量 258
B.3.1 數(shù)據(jù)類(lèi)型 259
B.3.2 CPU和GPU張量 260
B.3.3 運(yùn)算 260
B.4 Dataset和DataLoader 261
B.5 建模 263
B.5.1 自動(dòng)微分法 263
B.5.2 模型定義 265
B.5.3 訓(xùn)練 267
展開(kāi)全部
可解釋AI實(shí)戰(zhàn)(PYTORCH版) 作者簡(jiǎn)介
Ajay Thampi 在機(jī)器學(xué)習(xí)領(lǐng)域具有扎實(shí)的基礎(chǔ)。他的博士研究主要專(zhuān)注于信號(hào)處理和機(jī)器學(xué)習(xí)。他發(fā)表過(guò)許多關(guān)于強(qiáng)化學(xué)習(xí)、凸優(yōu)化和傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于5G移動(dòng)網(wǎng)絡(luò)的論文。Ajay 目前在一家大型科技公司擔(dān)任機(jī)器學(xué)習(xí)工程師，主要關(guān)注負(fù)責(zé)任的AI和AI公平性。在此之前，Ajay是微軟的高級(jí)數(shù)據(jù)科學(xué)家，負(fù)責(zé)為各行各業(yè)(如制造業(yè)、零售業(yè)和金融業(yè))的客戶(hù)部署復(fù)雜的人工智能解決方案。
書(shū)友推薦
- >
姑媽的寶刀
- >
回憶愛(ài)瑪儂
- >
月亮與六便士
- >
伯納黛特,你要去哪(2021新版)
- >
莉莉和章魚(yú)
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類(lèi)學(xué)概述
- >
推拿
- >
我與地壇
本類(lèi)暢銷(xiāo)
