Recetas de IA explicable: Implementación de soluciones para la explicabilidad e interpretabilidad de modelos con Python

Título original:

Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python

Contenido del libro:

Comprenda cómo utilizar las bibliotecas de IA explicable (XAI) y genere confianza en los modelos de IA y aprendizaje automático. Este libro utiliza un enfoque problema-solución para explicar los modelos de aprendizaje automático y sus algoritmos.

El libro comienza con la interpretación de modelos para modelos lineales de aprendizaje supervisado, que incluye la importancia de las características, el análisis de dependencia parcial y el análisis de puntos de datos influyentes tanto para modelos de clasificación como de regresión. A continuación, se explica el aprendizaje supervisado mediante modelos no lineales y los marcos más avanzados, como los valores/puntuaciones SHAP y LIME, para la interpretación local. La explicabilidad de los modelos de series temporales se aborda con LIME y SHAP, al igual que las tareas relacionadas con el procesamiento del lenguaje natural, como la clasificación de textos y el análisis de sentimientos con ELI5 y ALIBI. El libro concluye con la clasificación de modelos complejos y redes neuronales de tipo regresión y modelos de aprendizaje profundo utilizando el marco CAPTUM que muestra la atribución de características, la atribución de neuronas y la atribución de activación.

Después de leer este libro, comprenderá la IA y los modelos de aprendizaje automático y podrá poner en práctica esos conocimientos para aportar más precisión y transparencia a sus análisis.

Lo que aprenderá

⬤ Crear fragmentos de código y explicar modelos de aprendizaje automático utilizando Python.

⬤ Aproveche los modelos de aprendizaje profundo utilizando el código más reciente con implementaciones ágiles.

⬤ Construir, entrenar y explicar modelos de redes neuronales diseñados para escalar.

⬤ Entender las diferentes variantes de modelos de redes neuronales.

A quién va dirigido este libro

Ingenieros de IA, científicos de datos y desarrolladores de software interesados en XAI.