Avis des lecteurs
Résumé:Ce livre est une introduction complète à l'IA explicable (XAI) qui couvre un éventail de sujets, d'outils et de techniques pour améliorer l'interprétabilité des modèles d'apprentissage automatique, en particulier pour les praticiens utilisant Python. Il aborde la nécessité de comprendre les algorithmes de boîte noire dans les applications d'IA et explore les considérations éthiques dans l'IA. Cependant, certains lecteurs ont trouvé qu'il manquait de profondeur en ce qui concerne les techniques avancées et les détails de mise en œuvre.
Avantages:⬤ Introduction complète à la XAI avec un accent sur les applications et les outils pratiques.
⬤ Couvre une variété de techniques d'interprétation et d'exemples du monde réel.
⬤ Fournit des résumés, des questions et des références à la fin de chaque chapitre pour une meilleure compréhension.
⬤ Aborde les considérations éthiques et les cadres juridiques liés à l'IA.
⬤ Bonne organisation et bonne circulation de l'information, rendant les sujets complexes accessibles.
⬤ Manque de profondeur sur les techniques avancées dans certains domaines, entraînant une déception pour ceux qui recherchent des connaissances plus sophistiquées.
⬤ Certains lecteurs critiquent l'organisation générale et la fluidité du livre.
⬤ Quelques-uns l'ont trouvé trop peu captivant ou passionnant et ont envisagé de le renvoyer.
(basé sur 12 avis de lecteurs)
Titre original :
Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps
Contenu du livre :
Résoudre les modèles de boîte noire dans vos applications d'IA pour les rendre équitables, dignes de confiance et sûres. Familiarisez-vous avec les principes de base et les outils pour déployer l'IA explicable (XAI) dans vos applications et interfaces de reporting.
Caractéristiques principales.
⬤ Apprendre les outils et les techniques d'IA explicable pour traiter des résultats d'IA fiables.
⬤ Comprendre comment détecter, gérer et éviter les problèmes courants d'éthique et de partialité de l'IA.
⬤ Les résultats de l'IA sont présentés sous forme de tableaux de bord et de tableaux de bord de l'entreprise, qui peuvent être consultés en ligne.
Description du livre
Transmettre efficacement les connaissances de l'IA aux parties prenantes de l'entreprise nécessite une planification, une conception et des choix de visualisation minutieux. La description du problème, du modèle et des relations entre les variables et leurs résultats est souvent subtile, surprenante et techniquement complexe.
Le cours Hands-On Explainable AI (XAI) with Python vous permettra de travailler sur des projets pratiques spécifiques d'apprentissage automatique en Python qui sont stratégiquement disposés pour améliorer votre compréhension de l'analyse des résultats de l'IA. Vous construirez des modèles, interpréterez les résultats à l'aide de visualisations et intégrerez des outils de reporting XAI et différentes applications.
Vous construirez des solutions XAI en Python, TensorFlow 2, la plateforme XAI de Google Cloud, Google Colaboratory et d'autres frameworks pour ouvrir la boîte noire des modèles d'apprentissage automatique. Ce livre vous présentera plusieurs outils XAI open-source pour Python qui peuvent être utilisés tout au long du cycle de vie du projet d'apprentissage automatique.
Vous apprendrez à explorer les résultats des modèles d'apprentissage automatique, à examiner les principales variables d'influence et les relations entre les variables, à détecter et à gérer les biais et les problèmes d'éthique, et à intégrer les prédictions à l'aide de Python, tout en soutenant la visualisation des modèles d'apprentissage automatique dans des interfaces explicables par l'utilisateur.
À la fin de ce livre sur l'IA, vous aurez une compréhension approfondie des concepts fondamentaux de l'IAO.
Ce que vous apprendrez
⬤ Planifier l'XAI à travers les différentes étapes du cycle de vie de l'apprentissage automatique.
⬤ Estimer les forces et les faiblesses des applications XAI populaires à code source ouvert.
⬤ Examiner comment détecter et traiter les problèmes de biais dans les données d'apprentissage automatique.
⬤ Examiner les considérations éthiques et les outils pour traiter les problèmes courants dans les données d'apprentissage automatique.
⬤ Partager les meilleures pratiques en matière de conception et de visualisation de l'IAO.
⬤ Intégrer des résultats d'IA explicables à l'aide de modèles Python.
⬤ Utiliser les outils XAI pour Python dans les cycles de vie de l'apprentissage automatique pour résoudre les problèmes des entreprises.
À qui s'adresse ce livre ?
Ce livre n'est pas une introduction à la programmation Python ou aux concepts d'apprentissage automatique. Vous devez avoir des connaissances de base et/ou de l'expérience avec des bibliothèques d'apprentissage automatique telles que scikit-learn pour tirer le meilleur parti de ce livre.
Voici quelques-uns des lecteurs potentiels de ce livre :
⬤ Les professionnels qui utilisent déjà Python pour la science des données, l'apprentissage automatique, la recherche et l'analyse.
⬤ Les analystes de données et les scientifiques de données qui veulent une introduction aux outils et techniques d'IA explicables.
⬤ Les gestionnaires de projets d'IA qui doivent faire face aux obligations contractuelles et légales de l'explicabilité de l'IA pour la phase d'acceptation de leurs applications.
Autres informations sur le livre :
| ISBN : | 9781800208131 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
