۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت می‌کنید.
این فایل با Calibre، Apple Books و سایر کتابخوان‌های دیجیتال مناسب است.
با جزئیات تصمیم‌گیری‌ها، سوگیری‌ها و قابلیت‌اعتماد الگوریتم‌های هوش مصنوعی آشنا شوید و یاد بگیرید این پیش‌بینی‌ها را چگونه بهتر بفهمید. این کتاب مدلهای موسوم به «جعبه‌سیاه» را بررسی می‌کند تا با کمک چارچوب‌هایی مانند کتابخانه‌های XAI مبتنی بر پایتون، TensorFlow 2.0+، Keras و همچنین چارچوبهای سفارشیِ ساخته‌شده با پایتون‌ورپرها، تصمیم‌های گرفته‌شده توسط الگوریتم‌های هوش مصنوعی انعطاف‌پذیرتر، قابل‌درک‌تر و قابل‌توضیح‌تر شوند.
ابتدا با مقدمه‌ای بر مبانی توضیح‌پذیری و تفسیرپذیری مدل آشنا می‌شوید؛ سپس به ملاحظات اخلاقی و سوگیری‌هایی می‌پردازید که در پیش‌بینی‌های تولیدشده توسط مدلهای هوش مصنوعی نقش دارند. بعد، روش‌ها و سامانه‌هایی را بررسی می‌کنید که برای تفسیر مدلهای خطی، غیرخطی و سری‌زمانیِ به‌کاررفته در هوش مصنوعی استفاده می‌شوند. در ادامه، مباحثی از تفسیر تا درک این‌که یک الگوریتم هوش مصنوعی چگونه به یک تصمیم می‌رسد را پوشش می‌دهد.
همچنین یاد می‌گیرید سراغ پیچیده‌ترین مدلهای مجموعه‌ای (ensemble) بروید و با استفاده از چارچوب‌هایی مثل Lime، SHAP، Skater، ELI5 و موارد مشابه، توضیح‌پذیری و تفسیرپذیری را پیاده کنید. سپس توضیح‌پذیری مدل برای داده‌های بدون ساختار، مسائل طبقه‌بندی و کارهای مرتبط با پردازش زبان طبیعی معرفی می‌شود. علاوه بر این، کتاب به توضیحات پادواقعی (counterfactual) برای مدلهای هوش مصنوعی می‌پردازد.
«هوش مصنوعیِ قابلتوضیحِ عملی با پایتون» با نورافکنی روی مدلهای یادگیری عمیق، سامانه‌های خبره قانون‌محور و کارهای بینایی کامپیوتر، از چارچوبهای مختلف XAI استفاده می‌کند.
آنچه خواهید آموخت
- بررسی شیوه‌های مختلف برای تفسیرپذیر و توضیح‌پذیر کردن یک مدل هوش مصنوعی
- سنجش سوگیری‌ها و رعایت بهترین موازین اخلاقی در مدلهای هوش مصنوعی
- کمّی‌سازی، تصویربرداری و برآورد قابلیت‌اعتماد مدلهای هوش مصنوعی
- طراحی چارچوب‌هایی برای «باز کردن» مدلهای جعبه‌سیاه
- ارزیابی عدالتِ مدلهای هوش مصنوعی
- درک مؤلفه‌های سازنده اعتماد در مدلهای هوش مصنوعی
- افزایش سطح پذیرش هوش مصنوعی
این کتاب برای چه کسانی است
مهندسان هوش مصنوعی، دانشمندان داده، و توسعه‌دهندگان نرم‌افزار که در هدایت پروژه‌ها/محصولات هوش مصنوعی نقش دارند.
-- ارائه‌شده توسط ناشر
Learn the ins and outs of decisions, biases, and reliability of AI algorithms and how to make sense of these predictions. This book explores the so-called black-box models to boost the adaptability, interpretability, and explainability of the decisions made by AI algorithms using frameworks such as Python XAI libraries, TensorFlow 2.0+, Keras, and custom frameworks using Python wrappers. You'll begin with an introduction to model explainability and interpretability basics, ethical consideration, and biases in predictions generated by AI models. Next, you'll look at methods and systems to interpret linear, non-linear, and time-series models used in AI. The book will also cover topics ranging from interpreting to understanding how an AI algorithm makes a decision Further, you will learn the most complex ensemble models, explainability, and interpretability using frameworks such as Lime, SHAP, Skater, ELI5, etc. Moving forward, you will be introduced to model explainability for unstructured data, classification problems, and natural language processing-related tasks. Additionally, the book looks at counterfactual explanations for AI models. Practical Explainable AI Using Python shines the light on deep learning models, rule-based expert systems, and computer vision tasks using various XAI frameworks. What You'll Learn Review the different ways of making an AI model interpretable and explainable Examine the biasness and good ethical practices of AI models Quantify, visualize, and estimate reliability of AI models Design frameworks to unbox the black-box models Assess the fairness of AI models Understand the building blocks of trust in AI models Increase the level of AI adoption Who This Book Is For AI engineers, data scientists, and software developers involved in driving AI projects/ AI products. -- Provided by publisher
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)