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.
این کتاب ارائه‌ای کامل از مفاهیم و روش‌های موجود برای توضیح‌پذیرتر کردن سامانه‌های «یادگیری ماشین» ارائه می‌دهد. رویکردهای مطرح‌شده را می‌توان تقریباً برای بیشتر مدل‌های رایج «یادگیری ماشین» به کار برد: رگرسیون خطی و لجستیک، شبکه‌های عصبیِ یادگیری عمیق، پردازش زبان طبیعی و تشخیص تصویر، و موارد دیگر.
پیشرفت در یادگیری ماشین باعث شده است از عامل‌های هوشمند برای انجام کارهای مهمی که پیش‌تر بر عهده انسان‌ها بود استفاده بیشتری شود (مثل حوزه سلامت، حقوق و امور مالی، از جمله موارد دیگر). هرچند اصولی که طراحی این عامل‌ها را هدایت می‌کند شناخته شده است، بسیاری از مدل‌های یادگیری عمیقِ کنونی برای فهم انسانی «غیرشفاف» هستند. «هوش مصنوعیِ قابلتوضیح با پایتون» این خلأ موجود در ادبیات مربوط به این موضوعِ در حال شکل‌گیری را با نگاهی هم نظری و هم عملی پر می‌کند و به خواننده کمک می‌کند خیلی سریع بتواند با ابزارها و کدهای هوش مصنوعیِ قابلتوضیح کار کند.
کتاب از مثال‌هایی شروع می‌کند که توضیح می‌دهند هوش مصنوعیِ قابلتوضیح (XAI) چیست و چرا در این حوزه به آن نیاز است. سپس جزئیات رویکردهای مختلف برای XAI را بر اساس زمینه و نیاز مشخص ارائه می‌دهد. در ادامه، کار عملی با مدل‌های «قابل‌تفسیر» با مثال‌های مشخص و استفاده از پایتون معرفی می‌شود؛ به‌گونه‌ای که نشان می‌دهد چگونه مدل‌های ذاتیِ قابل‌تفسیر را می‌توان تفسیر کرد و چگونه می‌توان «توضیح‌هایی قابل فهم برای انسان» تولید نمود. همچنین روش‌های XAI مستقل از نوع مدل نشان داده می‌شوند که توضیحات را بدون تکیه بر بخش‌های داخلی مدل‌های «غیرشفاف» در یادگیری ماشین تولید می‌کنند. نویسندگان سپس با استفاده از مثال‌هایی از بینایی رایانه، به مدل‌های قابلتوضیح برای یادگیری عمیق و روش‌های آینده‌نگر نگاه می‌کنند. با نگاهی کاملاً کاربردی، نویسندگان نشان می‌دهند چگونه می‌توان به‌طور مؤثر از یادگیری ماشین و XAI در علم استفاده کرد. در فصل پایانی، یادگیری ماشینِ خصمانه (Adversarial Machine Learning) توضیح داده می‌شود و این‌که چگونه می‌توان XAI را با مثال‌های خصمانه انجام داد.
This book provides a full presentation of the current concepts and available techniques to make "machine learning" systems more explainable. The approaches presented can be applied to almost all the current "machine learning" models: linear and logistic regression, deep learning neural networks, natural language processing and image recognition, among the others.Progress in Machine Learning is increasing the use of artificial agents to perform critical tasks previously handled by humans (healthcare, legal and finance, among others). While the principles that guide the design of these agents are understood, most of the current deep-learning models are "opaque" to human understanding. Explainable AI with Python fills the current gap in literature on this emerging topic by taking both a theoretical and a practical perspective, making the reader quickly capable of working with tools and code for Explainable AI.Beginning with examples of what Explainable AI (XAI) is and why it is needed in the field, the book details different approaches to XAI depending on specific context and need. Hands-on work on interpretable models with specific examples leveraging Python are then presented, showing how intrinsic interpretable models can be interpreted and how to produce "human understandable" explanations. Model-agnostic methods for XAI are shown to produce explanations without relying on ML models internals that are "opaque." Using examples from Computer Vision, the authors then look at explainable models for Deep Learning and prospective methods for the future. Taking a practical perspective, the authors demonstrate how to effectively use ML and XAI in science. The final chapter explains Adversarial Machine Learning and how to do XAI with adversarial examples.
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)