Интерпретируемое машинное обучение на Python (Серг Масис)

Описание книги: Книга поможет осознанно и эффективно работать с моделями машинного обучения. Дано введение в интерпретацию машинного обучения: раскрыты важность темы, ее ключевые понятия и проблемы. Рассмотрены методы интерпретации: модельно-агностические, якорные и контрфактические, для многопеременного прогнозирования, а также визуализации сверточных нейронных сетей. Раскрыты вопросы настройки на интерпретируемость: отбор и конструирование признаков, ослабление систематического смещения и причинно-следственный вывод, монотонные ограничения, настройка моделей и устойчивость к антагонизму. Показаны перспективы развития интерпретируемых моделей машинного обучения. Каждая глава книги включает подробные примеры исходного кода на языке Python. На сайте издательства размещен архив с цветными иллюстрациями. Научитесь создавать интерпретируемые высокопроизводительные модели на практических примерах из реальной жизни Вы хотите научиться осознанно использовать машинное обучение на практике и снизить риски, связанные с плохими прогнозами? Эта книга поможет вам эффективно работать с моделями машинного обучения. Каждая глава включает подробные примеры исходного кода на языке Python. Первый раздел книги представляет собой руководство для начинающих по интерпретации результатов моделирования. В нем даны основные понятия и проблемы, показано значение машинного обучения в бизнесе. Рассмотрены модели белого ящика, черного ящика и стеклянного ящика, проведено их сравнение и предложены разумные компромиссы. Во втором разделе описан широкий спектр методов интерпретации, известных также как методы объяснимого искусственного интеллекта, и их применение в случаях классификации, регрессии, табличных временных рядов, обработки изображений или текста. Результаты моделирования сопровождаются программными кодами и понятными примерами. В третьем разделе рассмотрена настройка моделей и работа с обучающими данными. При этом интерпретируемость обеспечивается за счет снижения сложности, ослабления систематического смещения и повышения надежности. Рассмотрены новейшие методы выбора признаков, монотонных ограничений, состязательного переобучения и др. К концу этой книги вы сможете лучше понимать модели машинного обучения и улучшать их за счет настройки интерпретируемости. Вы изучите: • Проблемы интерпретируемости в бизнесе • Внутренне интерпретируемые модели, такие как линейные модели, деревья решений и на-ивный байесовский метод • Интерпретацию моделей с помощью методов, не зависящих от модели • Работу классификатора изображений • Методы ослабления систематического смещения • Методы защиты моделей от атак • Применение монотонных ограничений для повышения безопасности моделей Издательство: BHV Год издания: 2022 г. Объем: 384 стр. Формат книги: pdf скан