*數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考,以到貨標的為實際資訊。 印行年月:202403*若逾兩年請先於私訊洽詢存貨情況,謝謝。 台灣(台北市)在地出版社,每筆交易均開具統一發票,祝您中獎最高1000萬元。 書名:可解釋AI實戰 (PyTorch版) ISBN:9787302654865 出版社:清華大學 著編譯者:阿傑伊.塔姆佩 頁數:269 所在地:中國大陸 *此為代購商品 書號:1622096 可大量預訂,請先連絡。 內容簡介 對於深度學習模型,常常很難解釋其工作方式,即使是創建這些模型的數據科學家也不例外。提高機器學習模型的透明度和可解釋性可以最大限度地減少錯誤,減少意想不到的偏見,增加用戶對結果的信任。本書講述了探索「黑盒」模型內部機制的技術,提供了設計可靠演算法的方法,並揭示了導致結果偏差的各種關鍵因素。 本書將教會你識別模型所學習到的模式,並解釋為何會產生這樣的結果。通過閱讀本書,你將掌握一些用於解釋白盒模型(如線性回歸和廣義可加模型)的方法,以及一些用於解釋複雜深度學習模型的方法。可解釋AI是一個快速發展的領域,本書將該領域的前沿研究簡化為你可以在Python中實現的實際方法。作者簡介 朱明超 復旦大學研究生,螞蟻集團大安全演算法研究員,負責可信人工智慧演算法研究,《可解釋機器學習》譯者,《Python可解釋AI(XAI)實戰》譯者之一。目錄 第Ⅰ部分 可解釋基礎知識第1章 導論 1 1 Diagnostics+AI——AI系統示例 1 2 機器學習系統的類型 1 2 1 數據的表示 1 2 2 監督學習 1 2 3 無監督學習 1 2 4 強化學習 1 2 5 最適合Diagnosticst AI的機器學習系統 1 3 構建Diagnostics+AI 1 4 Diagnostics+的主要問題 1 4 1 數據泄露 1 4 2 偏見 1 4 3 監管不合規 1 4 4 概念漂移 1 5 如何解決這些主要問題 1 6 Interpretability與Explainability 1 7 你將在本書學到什麼 1 7 1 本書使用的工具 1 7 2 閱讀本書所需的基礎知識 1 8 本章小結 第2章 白盒模型 2 1 白盒模型概述 2 2 Diagnostics+AI示例:預測糖尿病進展情況 2 3 線性回歸 2 3 1 解釋線性回歸 2 3 2 線性回歸的局限性 2 4 決策樹 2 4 1 解釋決策樹 2 4 2 決策樹的局限性 2 5 廣義可加模型(GAM) 2 5 1 回歸樣條 2 5 2 GAM用於Diagnostics+AI預測糖尿病進展 2 5 3 解釋GAM 2 5 4 GAM的局限性 2 6 展望黑盒模型 2 7 本章小結 第Ⅱ部分 解釋模型處理 第3章 全局與模型無關可解釋技術 3 1 高中生成績預測器 3 2 集成樹 3 3 解釋隨機森林 3 4 模型無關方法:全局可解釋 3 4 1 部分依賴圖 3 4 2 特徵的相互作用 3 5 本章小結 第4章 局部與模型無關可解釋技術 4 1 Diagnostics+AI示例:乳腺癌診斷 4 2 探索性數據分析 4 3 深度神經網路 4 3 1 數據準備 4 3 2 訓練和評估DNN 4 4 解釋DNN 4 5 LIME 4 6 SHAP 4 7 錨定 4 8 本章小結 第5章 顯著圖 5 1 Diagnostics+AI示例:浸潤性導管癌檢測 5 2 探索性數據分析 5 3 卷積神經網路 5 3 1 數據準備 5 3 2 訓練和評估CNN 5 4 解釋CNN 5 4 1 概率分布圖 5 4 2 LIME 5 4 3 視覺歸因法 5 5 標準反向傳播 5 6 導向反向傳播 5 7 其他基於梯度的方法 5 8 Grad-CAM和導向Grad-CAM 5 9 我應該使用哪種歸因法 5 10 本章小結 第Ⅲ部分 解釋模型表示 第6章 理解層和單元 6 1 視覺理解 6 2 國顧卷積神經網路 6 3 神經網路剖析框架 6 3 1 概念定義 6 3 2 網路探測 6 3 3 量化對齊 6 4 解釋層和單元 6 4 1 運行網路剖析 6 4 2 概念檢測器 6 4 3 訓練任務的概念檢測器 6 4 4 可視化概念檢測器 6 4 5 網路剖析的局限性 6 5 本章小結 第7章 理解語義相似性 7 1 情感分析 7 2 探索性數據分析 7 3 神經網路詞嵌入 7 3 1 獨熱編碼 7 3 2 Word2Vec 7 3 3 GloVe嵌入 7 3 4 情感分析模型 7 4 解釋語義相似性 7 4 1 度量相似性 7 4 2 主成分分析(PCA) 7 4 3 t分佈隨機近鄰嵌入(t-SNE) 7 4 4 驗證語義相似性的可視化 7 5 本章小結 第Ⅳ部分 公平和偏見 第8章 公平和減少偏見 8 1 成年人收入預測 8 1 1 探索性數據分析 8 1 2 預測模型 8 2 公平性概念 8 2 1 人口平等 8 2 2 機會和概率平等 8 2 3 其他公平性概念 8 3 可解釋和公平性 8 3 1 源自輸入特徵的歧視 8 3 2 源自表示的歧視 8 4 減少偏見 8 4 1 無意識公平 8 4 2 通過重新加權糾正標註 8 5 數據集的數據表 8 6 本章小結 第9章 XAI 9 1 XAI概述 9 2 反事實說明 9 3 本章小結 附錄A 設置環境 A 1 Python代碼 A 2 Git代碼庫 A 3 Conda環境 A 4 Jupyter notebooks A 5 Docker 附錄B PyTorch B 1 什麼是PyTorch B 2 安裝PyTorch B 3 張量 B 3 1 數據類型 B 3 2 CPU和GPU張量 B 3 3 運算 B 4 Dataset和DataLoader B 5 建模 B 5 1 自動微分法 B 5 2 模型定義 B 5 3 訓練 詳細資料或其他書籍請至台灣高等教育出版社查詢,查後請於PChome商店街私訊告知ISBN或書號,我們即儘速上架。 |