面向从业者的可解释人工智能
Michael Munn, David Pitman
陈志鸿, 李广 译
出版时间:2024年09月
页数:280
“这本书通过真实案例、权衡取舍以及将深奥的科学知识与实用代码相结合,为模型可解释性提供了一个轻松却全面的介绍。”
——Harsha Nori
工程经理/负责任人工智能部门,微软研究院
“这本书独特地采用了实用主义的方式,注重算法之外的人性因素,是所有机器学习从业者的必读之作。”
——Salem Haykal
区域技术负责人/GCP云AI与行业解决方案,Alphabet/GCP

大多数中级机器学习书籍侧重于介绍如何通过提高准确性或降低预测误差来优化模型。然......展开全部内容介绍
  1. 序言
  2. 前言
  3. 第1章 简介
  4. AI的可解释性缘何而生
  5. 可解释AI的内涵
  6. 谁需要可解释性?
  7. 可解释性面临的挑战
  8. 可解释性评估
  9. 可解释性用法
  10. 本章小结
  11. 第2章 可解释性概述
  12. 什么是解释?
  13. 可理解性与可解释性
  14. 可解释性的用户
  15. 解释的类型
  16. 贯穿可解释性的主题
  17. 汇集
  18. 本章小结
  19. 第3章 表格数据的可解释性
  20. 排列特征重要性
  21. Shapley值
  22. 解释基于树的模型
  23. 偏依赖图和相关图
  24. 本章小结
  25. 第4章 图像数据的可解释性
  26. 积分梯度
  27. XRAI
  28. Grad-CAM
  29. LIME
  30. 引导反向传播和引导Grad-CAM
  31. 本章小结
  32. 第5章 文本数据的可解释性
  33. 文本模型构建概述
  34. LIME
  35. 梯度×输入
  36. 分层积分梯度
  37. 逐层关联传播
  38. 使用哪种方法?
  39. 本章小结
  40. 第6章 先进和新兴主题
  41. 替代可解释性技术
  42. 其他模态
  43. 可解释性技术的评估
  44. 本章小结
  45. 第7章 与可解释AI交互
  46. 谁使用可解释性?
  47. 如何有效地呈现解释
  48. 使用可解释性的常见误区
  49. 本章小结
  50. 第8章 总结
  51. 在脑海中建立可解释性
  52. 人工智能法规与可解释性
  53. 在可解释人工智能中期待什么
  54. 本章小结
  55. 附录 分类、技术与延伸阅读
购买选项
定价:128.00元
书号:978-7-5766-0995-0
出版社:东南大学出版社