کتاب Deep Learning and XAI Techniques for Anomaly Detection

کتاب Deep Learning and XAI Techniques for Anomaly Detection (یادگیری عمیق و تکنیک‌های XAI برای تشخیص ناهنجاری: تئوری و عمل توضیح‌پذیری ناهنجاری عمیق را ادغام می‌کند) در 9 فصل به طور خلاصه و عملیاتی، کاربرد علم یادگیری عمیق و تکنیک‌های XAI را در تشخیص آنومالی یا ناهنجاری بیان می‌کند.

در ادامه مقدمه‌ای از کتاب Deep Learning and XAI Techniques for Anomaly Detection را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Deep Learning and XAI Techniques for Anomaly Detection:

علیرغم پیشرفت‌های امیدوارکننده، ماهیت غیرشفاف مدل‌های یادگیری عمیق تفسیر آن‌ها را دشوار می‌کند، که این یک اشکال برای استقرار عملی و انطباق با مقررات است.

یادگیری عمیق و تکنیک‌های XAI برای تشخیص ناهنجاری، روش‌های پیشرفته‌ای را به شما نشان می‌دهند که به شما در درک و رسیدگی به این چالش‌ها کمک می‌کند. با استفاده از تکنیک‌های هوش مصنوعی توضیح‌پذیر (XAI) و یادگیری عمیق که در این کتاب توضیح داده شده‌اند، می‌فهمید که چگونه می‌توانید بینش‌های مهم تجاری را استخراج کنید و در عین حال از تجزیه و تحلیل منصفانه و اخلاقی اطمینان حاصل کنید.

این راهنمای عملی ابزارها و بهترین شیوه‌ها را برای دستیابی به شفافیت و تفسیرپذیری با مدل‌های یادگیری عمیق ارائه می‌کند و در نهایت اعتماد به برنامه‌های تشخیص ناهنجاری شما را ایجاد می‌کند. در سرتاسر فصل‌ها، به دانش XAI و تشخیص ناهنجاری مجهز می‌شوید که به شما امکان می‌دهد مجموعه‌ای از پروژه‌های دنیای واقعی را آغاز کنید. چه در حال ساخت بینایی کامپیوتری، پردازش زبان طبیعی، یا مدل‌های سری زمانی باشید، یاد خواهید گرفت که چگونه توضیح پذیری آن‌ها را کمی‌سازی و ارزیابی کنید.

در پایان این کتاب یادگیری عمیق، می‌توانید انواع مدل‌های یادگیری عمیق XAI را بسازید و اعتبارسنجی را برای ارزیابی قابلیت توضیح آن‌ها انجام دهید.

کتاب Deep Learning and XAI Techniques for Anomaly Detection برای چه کسی است؟

این کتاب برای هرکسی است که می‌خواهد تشخیص ناهنجاری یادگیری عمیق قابل توضیح را کشف کند، دانشمندان داده‌های با سابقه یا متخصصان ML که به دنبال بهترین شیوه‌های XAI هستند، یا رهبران تجاری که به دنبال تصمیم‌گیری در مورد مبادله بین عملکرد و تفسیرپذیری برنامه‌های تشخیص ناهنجاری هستند. برای استفاده حداکثری از این کتاب، درک پایه ای از یادگیری عمیق و موضوعات مرتبط با تشخیص ناهنجاری با استفاده از پایتون توصیه می‌شود.

آنچه کتاب Deep Learning and XAI Techniques for Anomaly Detection پوشش می‌دهد:

فصل 1، درک تشخیص ناهنجاری یادگیری عمیق، انواع ناهنجاری‌ها و موارد استفاده در دنیای واقعی را برای تشخیص ناهنجاری شرح می‌دهد. دو مثال PyOD برای نشان دادن مفاهیم اساسی، از جمله چالش‌ها، فرصت‌ها و ملاحظات در هنگام استفاده از یادگیری عمیق برای تشخیص ناهنجاری ارائه می‌کند.

فصل 2، درک هوش مصنوعی قابل توضیح، مروری بر XAI، از جمله تکامل آن از زمان ابتکار آژانس پروژه تحقیقاتی پیشرفته دفاعی ایالات متحده (دارپا)، اهمیت آن در زمینه حق توضیح و انطباق با مقررات، و رویکردی جامع به چرخه حیات XAI را پوشش می‌دهد.

فصل 3 کتاب Deep Learning and XAI Techniques for Anomaly Detection، قابلیت توضیح ناهنجاری پردازش زبان طبیعی، عمیقاً به یافتن ناهنجاری‌ها در داده‌های متنی می‌پردازد. برای شناسایی ناهنجاری‌ها با استفاده از AutoGluon و Cleanlab و توضیح خروجی مدل با استفاده از SHapley Additive Explanations (SHAP) دو نمونه NLP را تکمیل خواهید کرد.

فصل 4، قابلیت توضیح ناهنجاری سری‌های زمانی، مفاهیم و رویکردهایی را برای تشخیص ناهنجاری‌ها در داده‌های سری زمانی معرفی می‌کند. شما یک آشکارساز ناهنجاری سری زمانی با استفاده از حافظه کوتاه مدت بلند مدت (LSTM) می‌سازید و با استفاده از توضیح دهنده SHAP OmniXAI ناهنجاری‌ها را توضیح می‌دهید.

فصل 5، قابلیت توضیح ناهنجاری بینایی کامپیوتری، تشخیص ناهنجاری بصری را با XAI ادغام می‌کند. این فصل تکنیک‌های مختلفی را برای تشخیص ناهنجاری در سطح تصویر و سطح پیکسل پوشش می‌دهد. مثال پیاده‌سازی نشان می‌دهد که چگونه می‌توان یک آشکارساز ناهنجاری بصری را پیاده‌سازی کرد و مناطق تصویر متمایز شناسایی‌شده توسط مدل را با استفاده از نقشه فعال‌سازی کلاس (CAM) و نقشه‌برداری فعال‌سازی کلاس با وزن گرادیان (Grad-CAM) ارزیابی کرد.

فصل 6 کتاب Deep Learning and XAI Techniques for Anomaly Detection، متمایز کردن تبیین پذیری ذاتی در مقابل پس تک، روش‌های XAI درونی در مقابل پس تک را در سطوح محلی و جهانی مورد بحث قرار می‌دهد. مثال پیاده‌روی، ملاحظات در هنگام انتخاب هر یک از روش‌ها را بیشتر نشان می‌دهد.

فصل 7، پس انتشار در مقابل آشفتگی، روش‌های XAI مبتنی بر گرادیان و بر اساس اغتشاش را بررسی می‌کند تا اهمیت ویژگی را برای تصمیم‌گیری مدل تعیین کند. این فصل دارای دو نمونه راهنما است که نقشه برجستگی و توضیحات مدل قابل تفسیر محلی (LIME) را پوشش می‌دهد.

فصل 8 کتاب Deep Learning and XAI Techniques for Anomaly Detection، مدل-Agnostic در مقابل مدل-Specific Explainability، نحوه عملکرد این دو رویکرد را با استفاده از Kernel SHAP و Guided Integrated Gradients (Guided IG) ارزیابی می‌کند. این فصل همچنین به تشریح یک روش کار عقب مانده برای انتخاب روش XAI مدل-اگنوستیک در مقابل مدل خاص، با تجزیه و تحلیل و درک نیازهای ذینفعان و کاربران می‌پردازد.

فصل 9، طرح‌های ارزیابی توضیح‌پذیری، اصول بنیادی XAI توصیه‌شده توسط مؤسسه ملی استاندارد و فناوری (NIST) را تشریح می‌کند. این فصل به بررسی چشم‌انداز معیار XAI موجود در مورد چگونگی کمی‌سازی توضیح‌پذیری مدل و ارزیابی میزان تفسیرپذیری می‌پردازد.

سرفصل‌های کتاب Deep Learning and XAI Techniques for Anomaly Detection:

• Deep Learning and XAI Techniques for Anomaly Detection
• Foreword
• Contributors
• About the author
• About the reviewers
• Preface
• Part 1 – Introduction to Explainable Deep Learning Anomaly Detection
  • Chapter 1: Understanding Deep Learning Anomaly Detection
  • Chapter 2: Understanding Explainable AI
• Part 2 – Building an Explainable Deep Learning Anomaly Detector
  • Chapter 3: Natural Language Processing Anomaly Explainability
  • Chapter 4: Time Series Anomaly Explainability
  • Chapter 5: Computer Vision Anomaly Explainability
• Part 3 – Evaluating an Explainable Deep Learning Anomaly Detector
  • Chapter 6: Differentiating Intrinsic and Post Hoc Explainability
  • Chapter 7: Backpropagation versus Perturbation Explainability
  • Chapter 8: Model-Agnostic versus Model-Specific Explainability
  • Chapter 9: Explainability Evaluation Schemes
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Deep Learning and XAI Techniques for Anomaly Detection می‌توانید پس از پرداخت، دریافت کنید.