Michael Munn, David Pitman 著

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。然而，这种方法往往忽视了理解机器学习模型为什么以及如何做出预测的重要性。可解释性方法为更好地理解模型行为提供了必不可少的工具包，这本实用指南汇集了最先进的模型可解释性技术。经验丰富的机器学习工程师和数据科学家将通过实践学习这些技术的工作原理，从而能更轻松地在日常工作流程中应用这些工具。
这本重要的图书提供了：
● 一些最有用、最常用的可解释性技术，突出其优缺点，帮助你选择最适合的工具。
● 实施这些技术的技巧和最佳实践。
● 与可解释性互动的指南，并帮助你避免常见的陷阱。
● 将可解释性融入机器学习工作流程的知识，帮助构建更稳健的机器学习系统。
● 关于可解释AI的建议，包括如何将这些技术应用于处理使用表格、图像或文本数据的模型。
● 使用Keras、TensorFlow 2.0、PyTorch和HuggingFace等知名可解释性库构建的模型的Python代码示例。