دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب An Introduction to Machine Learning Interpretability
دانلود کتاب مقدمه ای بر تفسیرپذیری یادگیری ماشینی
مشخصات کتاب
An Introduction to Machine Learning Interpretability
ویرایش:
نویسندگان: Navdeep Gill. Patrick Hall
سری:
ISBN (شابک) : 9781492033158
ناشر: O’Reilly Media, Inc.
سال نشر: 2018
تعداد صفحات: 45
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب An Introduction to Machine Learning Interpretability به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مقدمه ای بر تفسیرپذیری یادگیری ماشینی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب مقدمه ای بر تفسیرپذیری یادگیری ماشینی
نوآوری و رقابت، تحلیلگران و دانشمندان داده را به سمت الگوریتم‌های پیچیده‌تر مدل‌سازی پیش‌بینی‌کننده و یادگیری ماشین سوق می‌دهد. این پیچیدگی این مدل ها را دقیق می کند اما درک پیش بینی های آنها را نیز دشوار می کند. وقتی دقت از قابلیت تفسیر پیشی می‌گیرد، اعتماد انسانی آسیب می‌بیند و بر پذیرش کسب‌وکار، نظارت نظارتی و مستندات مدل تأثیر می‌گذارد. بانکداری، بیمه و مراقبت های بهداشتی به طور خاص نیازمند مدل های پیش بینی قابل تفسیر هستند. در این کتاب الکترونیکی، پاتریک هال و ناودیپ گیل از H2O.ai ایده تفسیرپذیری یادگیری ماشین را به طور کامل معرفی می‌کنند و مجموعه‌ای از تکنیک‌ها، الگوریتم‌ها و مدل‌های یادگیری ماشین را بررسی می‌کنند تا به دانشمندان داده کمک کنند تا دقت مدل‌های پیش‌بینی‌کننده خود را بهبود بخشند و در عین حال قابلیت تفسیرپذیری را حفظ کنند. بیاموزید که چگونه یادگیری ماشین و مدل سازی پیش بینی در عمل اعمال می شود انگیزه های اجتماعی و تجاری برای تفسیرپذیری، انصاف، مسئولیت پذیری و شفافیت یادگیری ماشین را درک کنید تفاوت بین مدل های خطی و مدل های دقیق تر یادگیری ماشین را بررسی کنید تعریفی از تفسیرپذیری دریافت کنید و در مورد گروه‌هایی که تحقیقات تفسیرپذیری را رهبری می‌کنند، بیاموزید یک طبقه بندی را برای طبقه بندی و توصیف رویکردهای یادگیری ماشینی قابل تفسیر بررسی کنید چندین تکنیک عملی برای تجسم داده ها، آموزش مدل های یادگیری ماشینی قابل تفسیر و ایجاد توضیحات برای پیش بینی های مدل پیچیده را بیاموزید. رویکردهای خودکار برای آزمایش تفسیرپذیری مدل را کاوش کنید
توضیحاتی درمورد کتاب به خارجی
Innovation and competition are driving analysts and data scientists toward increasingly complex predictive modeling and machine learning algorithms. This complexity makes these models accurate but also makes their predictions difficult to understand. When accuracy outpaces interpretability, human trust suffers, affecting business adoption, regulatory oversight, and model documentation. Banking, insurance, and healthcare in particular require predictive models that are interpretable. In this ebook, Patrick Hall and Navdeep Gill from H2O.ai thoroughly introduce the idea of machine learning interpretability and examine a set of machine learning techniques, algorithms, and models to help data scientists improve the accuracy of their predictive models while maintaining interpretability. Learn how machine learning and predictive modeling are applied in practice Understand social and commercial motivations for machine learning interpretability, fairness, accountability, and transparency Explore the differences between linear models and more accurate machine learning models Get a definition of interpretability and learn about the groups leading interpretability research Examine a taxonomy for classifying and describing interpretable machine learning approaches Learn several practical techniques for data visualization, training interpretable machine learning models, and generating explanations for complex model predictions Explore automated approaches for testing model interpretability
فهرست مطالب
An Introduction to Machine Learning Interpretability Understanding and trusting models and their results is a hallmark of good science. Scientists, engineers, physicians, researchers, and humans in general have the need to understand and trust models and modeling results that affect their work and their lives. However, the forces of innovation and competition are now driving analysts and data scientists to try ever-more complex predictive modeling and machine learning algorithms. Such algorithms for machine learning include gradient-boosted ensembles (GBM), artificial neural networks (ANN), and random forests, among many others. Many machine learning algorithms have been labeled “black box” models because of their inscrutable inner-workings. What makes these models accurate is what makes their predictions difficult to understand: they are very complex. This is a fundamental trade-off. These algorithms are typically more accurate for predicting nonlinear, faint, or rare phenomena. Unfor......Page 7
Machine Learning and Predictive Modeling in Practice......Page 8
Social and Commercial Motivations for Machine Learning Interpretability......Page 9
1-1......Page 11
Figure 1-3......Page 13
Defining Interpretability......Page 15
A Machine Learning Interpretability Taxonomy for Applied Practitioners......Page 16
A Scale for Interpretability......Page 17
Global and Local Interpretability......Page 19
Model-Agnostic and Model-Specific Interpretability......Page 20
Understanding and Trust......Page 21
Common Interpretability Techniques......Page 22
Seeing and Understanding Your Data......Page 23
1-3......Page 26
1-8......Page 29
Sensitivity Analysis: Testing Models for Stability and Trustworthiness......Page 38
Testing Interpretability......Page 40
Machine Learning Interpretability in Action......Page 41
7......Page 42
15......Page 43
1-2......Page 12
Figure 1-4......Page 14
Figure 1-5......Page 24
1-7......Page 28
Figure 1-7......Page 33
1-6......Page 30
1-12......Page 34
1-16......Page 36
