Practical Explainable AI Using Python: Explicaciones de Modelos de Inteligencia Artificial mediante Bibliotecas, Extensiones y Frameworks basados en Python

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Practical Explainable AI Using Python: Artificial Intelligence Model Explanations Using Python-based Libraries, Extensions, and Frameworks

Contenido del libro:

Conozca los entresijos de las decisiones, los sesgos y la fiabilidad de los algoritmos de IA y cómo dar sentido a estas predicciones. Este libro explora los llamados modelos de caja negra para impulsar la adaptabilidad, interpretabilidad y explicabilidad de las decisiones tomadas por los algoritmos de IA utilizando marcos como las bibliotecas XAI de Python, TensorFlow 2.0+, Keras y marcos personalizados que utilizan envoltorios de Python.

Comenzará con una introducción a los conceptos básicos de interpretabilidad y explicabilidad de modelos, consideraciones éticas y sesgos en las predicciones generadas por modelos de IA. A continuación, verá métodos y sistemas para interpretar modelos lineales, no lineales y de series temporales utilizados en IA. El libro también tratará temas que van desde la interpretación hasta la comprensión de cómo toma una decisión un algoritmo de IA.

Además, aprenderá los modelos de conjunto más complejos, la explicabilidad y la interpretabilidad utilizando marcos como Lime, SHAP, Skater, ELI5, etc. Más adelante, se le introducirá en la explicabilidad de modelos para datos no estructurados, problemas de clasificación y tareas relacionadas con el procesamiento del lenguaje natural. Además, el libro examina las explicaciones contrafactuales de los modelos de IA. Practical Explainable AI Using Python arroja luz sobre modelos de aprendizaje profundo, sistemas expertos basados en reglas y tareas de visión por ordenador utilizando varios marcos XAI.

Lo que aprenderá

⬤ Revisar las diferentes formas de hacer que un modelo de IA sea interpretable y explicable.

⬤ Examinar la parcialidad y las buenas prácticas éticas de los modelos de IA.

⬤ Cuantificar, visualizar y estimar la fiabilidad de los modelos de IA.

⬤ Diseñar marcos para desentrañar los modelos de caja negra.

⬤ Evaluar la equidad de los modelos de IA.

⬤ Comprender los componentes básicos de la confianza en los modelos de IA.

⬤ Aumentar el nivel de adopción de la IA.

A quién va dirigido este libro

Ingenieros de IA, científicos de datos y desarrolladores de software involucrados en la conducción de proyectos y productos de IA.