欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • Python可解释AI<XAI>实战(开发合理安全和可信的AI应用)
      • 作者:(法)丹尼斯·罗斯曼|责编:王军//刘远菁|译者:叶伟民//朱明超
      • 出版社:清华大学
      • ISBN:9787302613299
      • 出版日期:2022/08/01
      • 页数:332
    • 售价:51.2
  • 内容大纲

        怎样才能有效地向AI业务和利益相关者解释AI的决策?你需要仔细规划、设计和可视化。要解决的问题、模型以及变量之间的关系通常是微妙、出乎意料和复杂的。
        本书通过几个精心设计的项目让你在实践中掌握众多XAI工具和方法,而不是仅仅停留在理论和概念上。你将动手构建模型,可视化解释结果,并集成XAI工具。
        你将使用Python、TensorFlow 2、Google Cloud XAI平台、Google Colaboratory和其他框架构建XAI解决方案,以打开机器学习模型的黑匣子。本书涵盖多个可在整个机器学习项目生命周期中使用的Python开源XAI工具。
        你将学习如何探索机器学习模型结果,检查关键影响变量和变量关系,检测和处理偏见和道德伦理及法律问题,以及将机器学习模型可视化到用户界面中。
        读完这本书,你将深入了解XAI的核心概念并掌握多个XAI工具和方法。
        ·在机器学习生命周期的不同阶段规划和实施XAI
        ·评估目前流行的各种XAI开源工具的优缺点
        ·介绍如何处理机器学习数据中的偏见问题
        ·介绍处理机器学习数据中的道德伦理和法律问题的工具和相关知识
        ·介绍XAI设计和可视化方面的最佳实践
        ·将XAI集成到Python模型中
        ·在整个机器学习生命周期中使用对应的XAI工具来解决业务问题
  • 作者介绍

        丹尼斯·罗斯曼Denis Rothman,毕业于索邦大学和巴黎一狄德罗大学,写过最早的word2vector embedding解决方案之一。他创作了第一批AI认知自然语言处理(NLP)聊天机器人之一,这个聊天机器人开启了他的职业生涯。它是一个语言教学应用程序,应用于Moet et Chandon和其他公司。他为IBM和服装生产商编写了一个AI资源优化器。然后,他还编写了一个在全球范围内使用的高级计划和排程(APS)解决方案。
  • 目录

    第1章  使用Python 解释AI
      1.1  可解释AI 的定义
        1.1.1  从黑盒模型到XAI 白盒模型
        1.1.2  解释和阐释
      1.2  设计和提取
      1.3  医学诊断时间线中的XAI
        1.3.1  全科医生使用的标准AI程序
        1.3.2  西尼罗河病毒——一个生死攸关的案例
        1.3.3  Google Location History 与XAI的结合可以拯救生命
        1.3.4  下载Google Location History
        1.3.5  读取和显示Google Location History
        1.3.6  用XAI 增强AI 诊断
        1.3.7  将XAI 应用于医学诊断实验性程序
      1.4  本章小结
      1.5  习题
      1.6  参考资料
      1.7  扩展阅读
    第2章  AI偏差和道德方面的白盒XAI
      2.1  自动驾驶汽车系统AI的道德和偏差
        2.1.1  自动驾驶系统在生死关头是如何做决策的
        2.1.2  电车难题
        2.1.3  麻省理工学院的道德机器实验
        2.1.4  真实的生死攸关情景
        2.1.5  从道德伦理上解释AI的局限性
      2.2  对自动驾驶决策树的解释
        2.2.1  自动驾驶系统的两难困境
        2.2.2  导入模块
        2.2.3  检索数据集
        2.2.4  读取和拆分数据
        2.2.5  决策树分类器的理论描述
        2.2.6  创建默认的决策树分类器
        2.2.7  训练、测量、保存模型
        2.2.8  显示决策树
      2.3  将XAI应用于自动驾驶决策树
      2.4  使用XAI和道德来控制决策树
        2.4.1  加载模型
        2.4.2  测量准确率
        2.4.3  模拟实时案例
        2.4.4  由噪声引起的ML偏差
        2.4.5  将道德和法律引入ML
      2.6  本章小结
      2.7  习题
      2.8  参考资料
      2.9  扩展阅读
    第3章  用Facets解释ML
      3.1  Facets 入门
      ……
    第4章  Microsoft Azure机器学习
    第5章  从零开始构建可解释AI解决方案
    第6章  用Google What-If Tool(WIT)

    第7章  可解释AI 聊天机器人
    第8章  LIME
    第9章  反事实解释法
    第10章  对比解释法(CEM)
    第11章  锚解释法
    第12章  认知解释法