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.
یک بررسی عمیق درباره جنبه‌ها و چالش‌های اصلیِ قابل‌تعبیرکردنِ یادگیری ماشین؛ با یک مجموعه‌ابزار جامع شامل SHAP، اهمیت ویژگی‌ها و استنتاج علی. هدف این است که بتوانید مدل‌هایی منصف‌تر، امن‌تر و قابل‌اعتمادتر بسازید. خرید نسخه چاپی یا کیندل این کتاب، همراه با یک ای‌بوک PDF رایگان انجام می‌شود.
ویژگی‌های کلیدی
- داده‌های دنیای واقعی را تفسیر کنید؛ از داده‌های بیماری‌های قلبی‌عروقی تا نمره‌های بازگشتِ دوباره به ارتکاب (recidivism) در COMPAS.
- مجموعه‌ابزار قابل‌تعبیرسازی خود را با روش‌های سراسری، محلی، مستقل از مدل و مخصوصِ مدل بسازید.
- از دلِ مدل‌های پیچیده بینش استخراج کنید؛ از CNNها و BERT گرفته تا مدل‌های سری زمانی.
توضیحات کتاب
Interpretable Machine Learning with Python، ویرایش دوم، با کاوش در داده‌های دنیای واقعی، به شما کمک می‌کند مفاهیم کلیدیِ تفسیر مدل‌های یادگیری ماشین را بهتر ببینید و درک کنید. در این مسیر، طیف گسترده‌ای از مهارت‌ها و ابزارها را به دست می‌آورید تا بتوانید نتایج حتی پیچیده‌ترین مدل‌ها را رمزگشایی کنید. مجموعه‌ابزار قابل‌تعبیرسازی خود را با چندین کاربرد مختلف توسعه دهید؛ از پیش‌بینی تأخیر پرواز تا طبقه‌بندی پسماند و همچنین امتیازهای ارزیابی ریسک در COMPAS.
این کتاب پر از تکنیک‌های کاربردی است و آن‌ها را دقیقاً با موقعیت‌های مناسب معرفی می‌کند. روش‌های سنتی را یاد می‌گیرید؛ مثل اهمیت ویژگی‌ها و نمودارهای وابستگی جزئی. سپس سراغ روش‌های پیشرفته‌تر می‌روید؛ از جمله «گرادیان‌های یکپارچه» برای تفسیر در پردازش زبان طبیعی (NLP) و روش‌های انتساب مبتنی بر گرادیان مثل «نقشه‌های حساسیت».
علاوه بر کدِ مرحله‌به‌مرحله، با تنظیم مدل‌ها و داده‌های آموزشی برای قابل‌تعبیرکردن هم کار عملی خواهید داشت؛ با کاهش پیچیدگی، کم کردن اثر سوگیری (bias)، گذاشتن محدودیت‌های محافظتی (guardrails) و افزایش قابلیت اعتماد.
در پایان کتاب، با مدل‌های جعبه‌سیاه هم با اطمینان بیشتری سر و کار خواهید داشت؛ چه در داده‌های جدولی (tabular)، چه در داده‌های زبانی، تصویری و همچنین سری‌های زمانی.
آنچه خواهید آموخت
- از تکنیک‌های پایه تا روش‌های پیشرفته‌تر پیش بروید؛ مثل استنتاج علی و کمی‌سازی عدم‌قطعیت.
- مهارت‌های خود را از تحلیل مدل‌های خطی و لجستیک تا مدل‌های پیچیده‌تر مثل CatBoost، CNNها و ترنسفورمرهای NLP گسترش دهید.
- با استفاده از قیود یکنواختی و قیود تعامل‌ها، مدل‌هایی منصف‌تر و امن‌تر بسازید.
- بفهمید چگونه می‌توان اثر سوگیری موجود در داده‌ها را کاهش داد.
- از اولویت‌بندی عوامل بر اساس تحلیل حساسیت و همچنین «فیکس کردن» عوامل برای هر مدل استفاده کنید.
- کشف کنید چگونه با «تاب‌آوری در برابر حملات» (adversarial robustness) می‌توان مدل‌ها را قابل‌اعتمادتر کرد.
این کتاب مناسب چه کسانی است؟
این کتاب برای دانشمندان داده، توسعه‌دهندگان یادگیری ماشین، مهندسان یادگیری ماشین، متخصصان MLOps و متولیان داده است؛ کسانی که مسئولیت روزافزونی دارند توضیح دهند سیستم‌های هوش مصنوعی‌ای که می‌سازند چگونه کار می‌کنند، چه اثری بر تصمیم‌گیری می‌گذارند و چگونه سوگیری را شناسایی و مدیریت می‌کنند. همچنین برای علاقه‌مندان به یادگیری ماشین که خودآموز پیش می‌روند و برای مبتدیانی که می‌خواهند عمیق‌تر وارد این حوزه شوند هم منبع ارزشمندی است؛ هرچند برای اجرای مثال‌ها، باید درک خوبی از زبان برنامه‌نویسی پایتون داشته باشید.
A deep dive into the key aspects and challenges of machine learning interpretability using a comprehensive toolkit, including SHAP, feature importance, and causal inference, to build fairer, safer, and more reliable models. Purchase of the print or Kindle book includes a free eBook in PDF format.Key FeaturesInterpret real-world data, including cardiovascular disease data and the COMPAS recidivism scoresBuild your interpretability toolkit with global, local, model-agnostic, and model-specific methodsAnalyze and extract insights from complex models from CNNs to BERT to time series modelsBook DescriptionInterpretable Machine Learning with Python, Second Edition, brings to light the key concepts of interpreting machine learning models by analyzing real-world data, providing you with a wide range of skills and tools to decipher the results of even the most complex models. Build your interpretability toolkit with several use cases, from flight delay prediction to waste classification to COMPAS risk assessment scores. This book is full of useful techniques, introducing them to the right use case. Learn traditional methods, such as feature importance and partial dependence plots to integrated gradients for NLP interpretations and gradient-based attribution methods, such as saliency maps. In addition to the step-by-step code, you'll get hands-on with tuning models and training data for interpretability by reducing complexity, mitigating bias, placing guardrails, and enhancing reliability. By the end of the book, you'll be confident in tackling interpretability challenges with black-box models using tabular, language, image, and time series data.What you will learnProgress from basic to advanced techniques, such as causal inference and quantifying uncertaintyBuild your skillset from analyzing linear and logistic models to complex ones, such as CatBoost, CNNs, and NLP transformersUse monotonic and interaction constraints to make fairer and safer modelsUnderstand how to mitigate the influence of bias in datasetsLeverage sensitivity analysis factor prioritization and factor fixing for any modelDiscover how to make models more reliable with adversarial robustnessWho this book is forThis book is for data scientists, machine learning developers, machine learning engineers, MLOps engineers, and data stewards who have an increasingly critical responsibility to explain how the artificial intelligence systems they develop work, their impact on decision making, and how they identify and manage bias. It's also a useful resource for self-taught ML enthusiasts and beginners who want to go deeper into the subject matter, though a good grasp of the Python programming language is needed to implement the examples.
هنر
رایانه و برنامه‌نویسی
زبان انگیسی (رایگان)
درسی و کمک درسی (رایگان)