Opiniones de los lectores
Actualmente no hay opiniones de lectores. La calificación se basa en 29 votos.
Título original:
Interpretable Machine Learning with Python - Second Edition: Build explainable, fair, and robust high-performance models with hands-on, real-world exa
Contenido del libro:
Una inmersión profunda en los aspectos clave y los retos de la interpretabilidad del aprendizaje automático utilizando un conjunto de herramientas completo, que incluye SHAP, importancia de las características e inferencia causal, para construir modelos más justos, seguros y fiables.
La compra del libro impreso o Kindle incluye un libro electrónico gratuito en formato PDF.
Características principales:
⬤ Interprete datos del mundo real, incluidos datos de enfermedades cardiovasculares y las puntuaciones de reincidencia COMPAS.
⬤ Construya su conjunto de herramientas de interpretabilidad con métodos globales, locales, agnósticos y específicos del modelo.
⬤ Analice y extraiga información de modelos complejos, desde CNN hasta BERT y modelos de series temporales.
Descripción del libro
Interpretable Machine Learning with Python, Second Edition, saca a la luz los conceptos clave de la interpretación de modelos de aprendizaje automático mediante el análisis de datos del mundo real, proporcionándole una amplia gama de habilidades y herramientas para descifrar los resultados de incluso los modelos más complejos.
Construya su conjunto de herramientas de interpretabilidad con varios casos de uso, desde la predicción de retrasos de vuelos hasta la clasificación de residuos, pasando por las puntuaciones de la evaluación de riesgos COMPAS. Este libro está repleto de técnicas útiles, introduciéndolas en el caso de uso adecuado. Aprenda métodos tradicionales, como la importancia de las características y los gráficos de dependencia parcial, hasta gradientes integrados para interpretaciones de PNL y métodos de atribución basados en gradientes, como los mapas de saliencia.
Además del código paso a paso, aprenderá a ajustar los modelos y los datos de entrenamiento para mejorar la interpretabilidad reduciendo la complejidad, mitigando los sesgos, colocando barreras de seguridad y mejorando la fiabilidad.
Al final del libro, se sentirá seguro a la hora de abordar los retos de interpretabilidad con modelos de caja negra utilizando datos tabulares, de lenguaje, de imágenes y de series temporales.
Lo que aprenderá
⬤ Progresar desde técnicas básicas a avanzadas, como la inferencia causal y la cuantificación de la incertidumbre.
⬤ Construir su conjunto de habilidades de análisis de modelos lineales y logísticos a los complejos, como CatBoost, CNNs, y transformadores NLP.
⬤ Utilizar restricciones monotónicas y de interacción para crear modelos más justos y seguros.
⬤ Comprender cómo mitigar la influencia del sesgo en los conjuntos de datos.
⬤ Aproveche el análisis de sensibilidad para priorizar y fijar factores para cualquier modelo.
⬤ Descubra cómo hacer modelos más fiables con robustez adversarial.
Para quién es este libro:
Este libro es para científicos de datos, desarrolladores de aprendizaje automático, ingenieros de aprendizaje automático, ingenieros de MLOps y administradores de datos que tienen la responsabilidad cada vez más crítica de explicar cómo funcionan los sistemas de inteligencia artificial que desarrollan, su impacto en la toma de decisiones y cómo identifican y gestionan el sesgo. También es un recurso útil para los entusiastas del ML autodidactas y los principiantes que quieran profundizar en el tema, aunque se necesita un buen dominio del lenguaje de programación Python para implementar los ejemplos.
