Opiniones de los lectores
Resumen:El libro 'Interpretable Machine Learning with Python' es muy recomendable como recurso completo y accesible para comprender y aplicar técnicas de aprendizaje automático, centrándose especialmente en la interpretabilidad. Está dirigido a principiantes, intermedios y profesionales avanzados gracias a sus exhaustivas explicaciones, abundantes ejemplos y orientaciones prácticas de codificación. Sin embargo, su naturaleza técnica puede plantear dificultades a los principiantes que carezcan de experiencia en la materia.
Ventajas:Un recurso exhaustivo que cubre una amplia gama de temas en el aprendizaje automático interpretable.
Desventajas:Abundantes ejemplos y explicaciones detalladas que se adaptan a varios niveles de habilidad.
(basado en 25 opiniones de lectores)
Título original:
Interpretable Machine Learning with Python: Learn to build interpretable high-performance models with hands-on real-world examples
Contenido del libro:
Comprenda los aspectos y retos clave de la interpretabilidad del aprendizaje automático, aprenda a superarlos con métodos de interpretación y aprovéchelos para construir modelos más justos, seguros y fiables.
Características principales:
⬤ Aprenda cómo extraer perspectivas fáciles de entender de cualquier modelo de aprendizaje automático.
⬤ Conviértase en un experto en técnicas de interpretabilidad para construir modelos más justos, seguros y fiables.
⬤ Mitigar los riesgos en los sistemas de IA antes de que tengan implicaciones más amplias aprendiendo a depurar modelos de caja negra.
Descripción del libro
¿Desea comprender sus modelos y mitigar los riesgos asociados a las predicciones deficientes mediante la interpretación del aprendizaje automático (ML)? Interpretable Machine Learning with Python puede ayudarle a trabajar eficazmente con modelos de ML.
La primera sección del libro es una guía para principiantes sobre la interpretabilidad, que abarca su relevancia en los negocios y explora sus aspectos y retos clave. Se centrará en el funcionamiento de los modelos de caja blanca, los comparará con los modelos de caja negra y de caja de cristal, y examinará sus ventajas y desventajas. La segunda sección le pondrá al día con una amplia gama de métodos de interpretación, también conocidos como métodos de IA explicable (XAI), y cómo aplicarlos a diferentes casos de uso, ya sea para clasificación o regresión, para tabular, series temporales, imagen o texto. Además del código paso a paso, el libro también ayuda al lector a interpretar los resultados de los modelos mediante ejemplos. En la tercera sección, se pondrá manos a la obra con el ajuste de modelos y datos de entrenamiento para la interpretabilidad mediante la reducción de la complejidad, la mitigación del sesgo, la colocación de guardarraíles y la mejora de la fiabilidad. Los métodos que explorará aquí van desde la selección de características de última generación y los métodos de depuración de conjuntos de datos hasta las restricciones monotónicas y el reentrenamiento adversarial.
Al final de este libro, podrá comprender mejor los modelos de ML y mejorarlos mediante el ajuste de interpretabilidad.
Lo que aprenderá:
⬤ Reconocer la importancia de la interpretabilidad en los negocios.
⬤ Estudiar modelos intrínsecamente interpretables, como modelos lineales, árboles de decisión y Na ve Bayes.
⬤ Llegar a ser bien versado en la interpretación de modelos con métodos de modelo-agnóstico.
⬤ Visualizar cómo funciona un clasificador de imágenes y lo que aprende.
⬤ Comprender cómo mitigar la influencia del sesgo en los conjuntos de datos.
⬤ Descubrir cómo hacer modelos más fiables con robustez adversarial.
⬤ Utilizar restricciones monotónicas para hacer modelos más justos y seguros.
A quién va dirigido este libro:
Este libro está dirigido a científicos de datos, desarrolladores de aprendizaje automático y administradores de datos que tienen la responsabilidad cada vez más crítica de explicar cómo funcionan los sistemas de IA que desarrollan, su impacto en la toma de decisiones y cómo identifican y gestionan los sesgos. Se esperan conocimientos prácticos de aprendizaje automático y del lenguaje de programación Python.
