توضیحات
کتاب Interperetable AI نسخه Early Release با نام کامل Building explainable machine learning systems یک منبع مناسب برای یادگیری ML جهت به کارگیری آن در هوش قابل تفسیر است.
در ادامه مقدمه‌ای از کتاب هوش مصنوعی قابل تفسیر را شرح خواهیم داد.
مقدمه‌ای بر کتاب Interperetable AI:
هوش مصنوعی قابل تفسیر یک راهنمای عملی برای تکنیک‌های تفسیرپذیری است که جعبه سیاه هوش مصنوعی را باز می‌کند.
مدل‌های هوش مصنوعی می‌توانند به قدری پیچیده شوند که حتی متخصصان نیز در درک آن‌ها دچار مشکل شوند – و توضیح تفاوت‌های ظریف مجموعه‌ای از الگوریتم‌های جدید را برای سهامداران کسب‌وکار فراموش کنند! هوش مصنوعی قابل تفسیر مملو از تکنیک‌های پیشرفته است که درک شما از نحوه عملکرد مدل‌های هوش مصنوعی را بهبود می‌بخشد.
هوش مصنوعی قابل تفسیر یک راهنمای عملی برای تکنیک‌های تفسیرپذیری است که جعبه سیاه هوش مصنوعی را باز می‌کند. این راهنمای عملی تحقیقات پیشرفته را در زمینه هوش مصنوعی شفاف و قابل توضیح ساده می کند و روش‌های عملی را ارائه می‌دهد که می‌توانید به راحتی با پایتون و کتابخانه‌های منبع باز پیاده‌سازی کنید. این کتاب با نمونه‌هایی از تمام رویکردهای اصلی یادگیری ماشینی، نشان می‌دهد که چرا برخی از رویکردهای هوش مصنوعی بسیار مبهم هستند، به شما می‌آموزد الگوهایی را که مدلتان یاد گرفته است شناسایی کنید، و بهترین شیوه‌ها را برای ساخت مدل‌های منصفانه و بی‌طرف ارائه می‌دهد.
بیشتر بخوانید: کتاب Practical Full Stack Machine Learning
سرفصل‌های کتاب Interperetable AI:
- Part 1: Interpretability Basics
- 1 Introduction
- 2 White-box Models
- Part 2: Interpreting Model Processing
- 3 Model Agnostic Methods –global Interpretability
- 4 Model Agnostic Methods –local Interpretability
- 5 Saliency Mapping
- Part 3: Interpreting Model Representations
- 6 Understanding Layers And Units
- 7 Understanding Semantic Similarity
- Part 4: Fairness And Bias
- 8 Fairness And Mitigating Bias
- 9 Conclusion
- Appendixes
- A Resources
فایل کتاب Interperetable AI را می‌توانید پس از پرداخت، دریافت کنید.
هنوز بررسی‌ای ثبت نشده است.