Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 29 votes.
Titre original :
Interpretable Machine Learning with Python - Second Edition: Build explainable, fair, and robust high-performance models with hands-on, real-world exa
Contenu du livre :
Une plongée profonde dans les aspects clés et les défis de l'interprétabilité de l'apprentissage automatique à l'aide d'une boîte à outils complète, y compris SHAP, l'importance des caractéristiques et l'inférence causale, pour construire des modèles plus justes, plus sûrs et plus fiables.
L'achat de la version imprimée ou du livre Kindle inclut un livre électronique gratuit au format PDF.
Caractéristiques principales :
⬤ Interprétez les données du monde réel, y compris les données sur les maladies cardiovasculaires et les scores de récidive du COMPAS.
⬤ Construisez votre boîte à outils d'interprétabilité avec des méthodes globales, locales, agnostiques et spécifiques au modèle.
⬤ Analyser et extraire des informations de modèles complexes, des CNN aux BERT en passant par les modèles de séries temporelles.
Description du livre :
Interpretable Machine Learning with Python, Second Edition, met en lumière les concepts clés de l'interprétation des modèles d'apprentissage automatique en analysant des données du monde réel, en vous fournissant un large éventail de compétences et d'outils pour déchiffrer les résultats des modèles les plus complexes.
Construisez votre boîte à outils d'interprétabilité avec plusieurs cas d'utilisation, de la prédiction des retards de vol à la classification des déchets en passant par les scores d'évaluation des risques du COMPAS. Cet ouvrage regorge de techniques utiles, qu'il s'agit d'introduire dans le bon cas d'utilisation. Apprenez les méthodes traditionnelles, telles que l'importance des caractéristiques et les diagrammes de dépendance partielle, les gradients intégrés pour les interprétations NLP et les méthodes d'attribution basées sur les gradients, telles que les cartes de saillance.
En plus du code étape par étape, vous aurez l'occasion de mettre au point des modèles et des données d'entraînement pour l'interprétabilité en réduisant la complexité, en atténuant les biais, en plaçant des garde-fous et en améliorant la fiabilité.
À la fin de l'ouvrage, vous serez en mesure de relever les défis de l'interprétabilité avec des modèles de boîte noire utilisant des données tabulaires, linguistiques, d'images et de séries temporelles.
Ce que vous apprendrez
⬤ Progresser des techniques de base aux techniques avancées, telles que l'inférence causale et la quantification de l'incertitude.
⬤ Vous développerez vos compétences à partir de l'analyse de modèles linéaires et logistiques jusqu'à des modèles complexes, tels que CatBoost, CNN et les transformateurs NLP.
⬤ Utilisez les contraintes monotones et d'interaction pour créer des modèles plus justes et plus sûrs.
⬤ Comprendre comment atténuer l'influence des biais dans les ensembles de données.
⬤ Les modèles d'analyse de sensibilité permettent de hiérarchiser les facteurs et d'en fixer d'autres pour n'importe quel modèle.
⬤ Découvrez comment rendre les modèles plus fiables grâce à la robustesse des adversaires.
A qui s'adresse ce livre :
Ce livre s'adresse aux scientifiques des données, aux développeurs de l'apprentissage automatique, aux ingénieurs de l'apprentissage automatique, aux ingénieurs MLOps et aux responsables des données qui ont la responsabilité de plus en plus importante d'expliquer le fonctionnement des systèmes d'intelligence artificielle qu'ils développent, leur impact sur la prise de décision et la manière dont ils identifient et gèrent les préjugés. Il s'agit également d'une ressource utile pour les autodidactes passionnés de ML et les débutants qui souhaitent approfondir le sujet, bien qu'une bonne maîtrise du langage de programmation Python soit nécessaire pour mettre en œuvre les exemples.
