可解釋AI實戰(zhàn)（PyTorch版）

定　價：￥98.00

作　者：	[英] 阿杰伊·塔姆佩（Ajay Thampi）著，葉偉民、朱明超、劉華、葉孟良、袁敏譯
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥93.10)

ISBN：	9787302654865	出版時間：	2024-03-01	包裝：	線裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　可解釋AI（Interpretable AI）將教會你識別模型所學習的模式及其產(chǎn)生結果的原因。通過閱讀《可解釋AI實戰(zhàn)（PyTorch版）》，你將掌握一些用于解釋白盒模型（如線性回歸和廣義可加模型）的方法，以及一些用于解釋復雜深度學習模型的方法?？山忉孉I是一個快速發(fā)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(xiàn)的實際方法。主要內(nèi)容● 解釋AI模型的技術● 最大限度地減少錯誤、偏見、數(shù)據(jù)泄露和概念漂移● 度量公平性和減少偏見● 構建符合GDPR的AI系統(tǒng)

作者簡介

　　Ajay Thampi 在機器學習領域具有扎實的基礎。他的博士研究主要專注于信號處理和機器學習。他發(fā)表過許多關于強化學習、凸優(yōu)化和傳統(tǒng)機器學習技術應用于5G移動網(wǎng)絡的論文。Ajay 目前在一家大型科技公司擔任機器學習工程師，主要關注負責任的AI和AI公平性。在此之前，Ajay是微軟的高級數(shù)據(jù)科學家，負責為各行各業(yè)（如制造業(yè)、零售業(yè)和金融業(yè)）的客戶部署復雜的人工智能解決方案。

圖書目錄

第Ⅰ部分可解釋基礎知識
第1章導論 3
1.1　Diagnostics AI——AI系統(tǒng)示例 3
1.2 機器學習系統(tǒng)的類型 4
1.2.1　數(shù)據(jù)的表示 4
1.2.2　監(jiān)督學習 6
1.2.3　無監(jiān)督學習 7
1.2.4　強化學習 7
1.2.5　最適合Diagnostics AI的機器學習系統(tǒng) 8
1.3　構建Diagnostics AI 8
1.4　Diagnostics 的主要問題 10
1.4.1　數(shù)據(jù)泄露 10
1.4.2　偏見 10
1.4.3　監(jiān)管不合規(guī) 11
1.4.4　概念漂移 11
1.5　如何解決這些主要問題 11
1.6　Interpretability與Explainability 13
1.7　你將在本書學到什么 15
1.7.1　本書使用的工具 17
1.7.2　閱讀本書所需的基礎知識 17
1.8　本章小結 18
第2章白盒模型 19
2.1　白盒模型概述 20
2.2　Diagnostics AI示例：預測糖尿病進展情況 21
2.3　線性回歸 24
2.3.1　解釋線性回歸 27
2.3.2　線性回歸的局限性 29
2.4　決策樹 30
2.4.1　解釋決策樹 32
2.4.2　決策樹的局限性 35
2.5　廣義可加模型(GAM) 36
2.5.1　回歸樣條 38
2.5.2　GAM用于Diagnostics AI預測糖尿病進展 42
2.5.3　解釋GAM 43
2.5.4　GAM的局限性 46
2.6　展望黑盒模型 46
2.7　本章小結 48
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 51
3.1　高中生成績預測器 52
3.2　集成樹 57
3.3　解釋隨機森林 63
3.4　模型無關方法：全局可解釋 65
3.4.1　部分依賴圖 66
3.4.2　特征的相互作用 71
3.5　本章小結 77
第4章局部與模型無關可解釋技術 79
4.1　Diagnostics AI示例：乳腺癌診斷 80
4.2　探索性數(shù)據(jù)分析 81
4.3　深度神經(jīng)網(wǎng)絡 84
4.3.1　數(shù)據(jù)準備 88
4.3.2　訓練和評估DNN 90
4.4　解釋DNN 92
4.5　LIME 94
4.6　SHAP 103
4.7　錨定 106
4.8　本章小結 110
第5章顯著圖 113
5.1　Diagnostics AI示例：浸潤性導管癌檢測 114
5.2　探索性數(shù)據(jù)分析 114
5.3　卷積神經(jīng)網(wǎng)絡 117
5.3.1　數(shù)據(jù)準備 121
5.3.2　訓練和評估CNN 123
5.4　解釋CNN 126
5.4.1　概率分布圖 126
5.4.2　LIME 127
5.4.3　視覺歸因法 132
5.5　標準反向傳播 134
5.6　導向反向傳播 138
5.7　其他基于梯度的方法 140
5.8　Grad-CAM和導向Grad-CAM 141
5.9　我應該使用哪種歸因法 145
5.10　本章小結 147
第Ⅲ部分解釋模型表示
第6章理解層和單元 151
6.1　視覺理解 152
6.2　回顧卷積神經(jīng)網(wǎng)絡 153
6.3　神經(jīng)網(wǎng)絡剖析框架 155
6.3.1　概念定義 156
6.3.2　網(wǎng)絡探測 157
6.3.3　量化對齊 160
6.4　解釋層和單元 160
6.4.1　運行網(wǎng)絡剖析 161
6.4.2　概念檢測器 165
6.4.3　訓練任務的概念檢測器 171
6.4.4　可視化概念檢測器 176
6.4.5　網(wǎng)絡剖析的局限性 179
6.5　本章小結 179
第7章理解語義相似性 181
7.1　情感分析 182
7.2　探索性數(shù)據(jù)分析 183
7.3　神經(jīng)網(wǎng)絡詞嵌入 187
7.3.1　獨熱編碼 187
7.3.2　Word2Vec 188
7.3.3　GloVe嵌入 191
7.3.4　情感分析模型 193
7.4　解釋語義相似性 194
7.4.1　度量相似性 196
7.4.2　主成分分析(PCA) 199
7.4.3　t分布隨機近鄰嵌入(t-SNE) 204
7.4.4　驗證語義相似性的可視化 208
7.5　本章小結 210
第Ⅳ部分公平和偏見
第8章公平和減少偏見 213
8.1　成年人收入預測 215
8.1.1　探索性數(shù)據(jù)分析 216
8.1.2　預測模型 218
8.2 公平性概念 221
8.2.1　人口平等 222
8.2.2　機會和幾率平等 225
8.2.3　其他公平性概念 228
8.3　可解釋和公平性 229
8.3.1　源自輸入特征的歧視 229
8.3.2　源自表示的歧視 233
8.4　減少偏見 234
8.4.1　無意識公平 234
8.4.2　通過重新加權糾正標注偏見 235
8.5　數(shù)據(jù)集的數(shù)據(jù)表 238
8.6　本章小結 240
第9章 XAI 243
9.1 XAI概述 245
9.2　反事實說明 247
9.3　本章小結 251
附錄A 設置環(huán)境 253
A.1　Python代碼 253
A.2　Git代碼庫 253
A.3　Conda環(huán)境 253
A.4　Jupyter notebooks 254
A.5　Docker 254
附錄B PyTorch 257
B.1　什么是PyTorch 257
B.2　安裝PyTorch 257
B.3　張量 258
B.3.1　數(shù)據(jù)類型 259
B.3.2　CPU和GPU張量 260
B.3.3　運算 260
B.4 Dataset和DataLoader 261
B.5 建模 263
B.5.1　自動微分法 263
B.5.2　模型定義 265
B.5.3　訓練 267