ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more

دانلود کتاب تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید.

Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more

مشخصات کتاب

Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1803246154, 9781803246154 
ناشر: Packt Publishing 
سال نشر: 2022 
تعداد صفحات: 306 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 39,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Applied Machine Learning Explainability Techniques: Make ML models explainable and trustworthy for practical applications using LIME, SHAP, and more 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 تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید. 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 تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی: مدل‌های ML را برای کاربردهای عملی با استفاده از LIME، SHAP و موارد دیگر قابل توضیح و قابل اعتماد کنید.

از چارچوب‌های برتر XAI استفاده کنید تا مدل‌های یادگیری ماشین خود را به آسانی توضیح دهید و بهترین شیوه‌ها و دستورالعمل‌ها را برای ساختن سیستم‌های ML قابل توضیح مقیاس‌پذیر کشف کنید

ویژگی‌های کلیدی< /span>
 
 
  • کاوش روش‌های مختلف توضیح‌پذیری برای طراحی سیستم‌های ML قابل توضیح قوی و مقیاس‌پذیر
  • از چارچوب های XAI مانند LIME و SHAP برای توضیح دادن مدل های ML برای حل مشکلات عملی استفاده کنید
  • <. span>طراحی سیستم های ML قابل توضیح کاربر محور با استفاده از دستورالعمل های ارائه شده برای کاربردهای صنعتی

توضیحات کتاب

هوش مصنوعی قابل توضیح (XAI) یک زمینه نوظهور است که هوش مصنوعی (AI) را به کاربران نهایی غیر فنی نزدیک‌تر می‌کند. XAI مدل‌های یادگیری ماشینی (ML) را شفاف و قابل اعتماد می‌سازد و همچنین پذیرش هوش مصنوعی را برای موارد استفاده صنعتی و تحقیقاتی ترویج می‌کند.

تکنیک‌های توضیح‌پذیری یادگیری ماشین کاربردی با ترکیبی منحصربه‌فرد از دیدگاه‌های پژوهشی صنعتی و دانشگاهی ارائه می‌شود تا به شما کمک کند تا عملی کسب کنید. مهارت های XAI شما با به دست آوردن درک مفهومی از XAI و چرایی اهمیت آن در هوش مصنوعی شروع خواهید کرد. در مرحله بعد، تجربه عملی مورد نیاز برای استفاده از XAI در فرآیندهای حل مسئله AI/ML با استفاده از روش‌ها و چارچوب‌های پیشرفته را به دست خواهید آورد. در نهایت، دستورالعمل‌های ضروری مورد نیاز برای ارتقای سفر XAI خود به سطح بعدی و پر کردن شکاف‌های موجود بین هوش مصنوعی و کاربران نهایی را دریافت خواهید کرد.

در پایان این کتاب ML، به شما مجهز خواهید شد. بهترین شیوه‌ها در چرخه حیات هوش مصنوعی/ML است و می‌تواند روش‌ها و رویکردهای XAI را با استفاده از پایتون برای حل مشکلات صنعتی پیاده‌سازی کند، و با موفقیت به نکات کلیدی دردناکی که با آن مواجه می‌شوید رسیدگی کند.

آنچه خواهید آموخت.
 
 
  • روش‌های مختلف توضیح و معیارهای ارزیابی آنها را کاوش کنید</ li>
  • روش های توضیح مدل را برای داده های ساختاریافته و بدون ساختار بیاموزید
  • استفاده از XAI داده محور برای مشکلات عملی- حل
  • قرار گرفتن مستقیم با LIME، SHAP، TCAV، DALEX، ALIBI، DiCE و موارد دیگر< /li>
  • بهترین شیوه های صنعتی برای سیستم های ML قابل توضیح را کشف کنید
  • از XAI کاربر محور برای نزدیک کردن هوش مصنوعی استفاده کنید به کاربران نهایی غیر فنی
  • با استفاده از دستورالعمل‌های توصیه‌شده، چالش‌های باز در XAI را برطرف کنید
  • </ ul>
    این کتاب برای چه کسانی است

    این کتاب برای دانشمندان، محققان، مهندسان، معماران و مدیرانی طراحی شده است که فعالانه در زمینه یادگیری ماشینی و حوزه های مرتبط شرکت می کند. به طور کلی، هر کسی که علاقه مند به حل مسئله با استفاده از هوش مصنوعی باشد، از این کتاب بهره مند خواهد شد. به خوانندگان توصیه می شود که دانش پایه ای از پایتون، یادگیری ماشین، یادگیری عمیق و علم داده داشته باشند. این کتاب برای خوانندگانی که در نقش های زیر کار می کنند ایده آل است:
     
     
    • دانشمندان داده و هوش مصنوعی
    • مهندسین AI/ML
    • مدیران محصول AI/ML</ span>
    • صاحبان محصولات هوش مصنوعی
    • محققان AI/ML
    • تجربه کاربر و پژوهشگران HCI

    جدول مطالب

     
    1. مفاهیم بنیادی تکنیک‌های توضیح‌پذیری
    2. روش‌های توضیح‌پذیری مدل
    3. رویکردهای داده‌محور
    4. < span>LIME برای تفسیرپذیری مدل
    5. مواجهه عملی با استفاده از LIME در ML< li>تفسیرپذیری مدل با استفاده از SHAP
    6. معرفی عملی با استفاده از SHAP در ML</ li>
    7. توضیحات انسان دوستانه با TCAV
    8. سایر چارچوب‌های محبوب XAI
    9. بهترین شیوه های صنعت XAI
    10. هوش مصنوعی کاربر محور نهایی</ span>

توضیحاتی درمورد کتاب به خارجی

Leverage top XAI frameworks to explain your machine learning models with ease and discover best practices and guidelines to build scalable explainable ML systems

Key Features
 
 
  • Explore various explainability methods for designing robust and scalable explainable ML systems
  • Use XAI frameworks such as LIME and SHAP to make ML models explainable to solve practical problems
  • Design user-centric explainable ML systems using guidelines provided for industrial applications

Book Description

Explainable AI (XAI) is an emerging field that brings artificial intelligence (AI) closer to non-technical end users. XAI makes machine learning (ML) models transparent and trustworthy along with promoting AI adoption for industrial and research use cases.

Applied Machine Learning Explainability Techniques comes with a unique blend of industrial and academic research perspectives to help you acquire practical XAI skills. You'll begin by gaining a conceptual understanding of XAI and why it's so important in AI. Next, you'll get the practical experience needed to utilize XAI in AI/ML problem-solving processes using state-of-the-art methods and frameworks. Finally, you'll get the essential guidelines needed to take your XAI journey to the next level and bridge the existing gaps between AI and end users.

By the end of this ML book, you'll be equipped with best practices in the AI/ML life cycle and will be able to implement XAI methods and approaches using Python to solve industrial problems, successfully addressing key pain points encountered.

What you will learn
 
 
  • Explore various explanation methods and their evaluation criteria
  • Learn model explanation methods for structured and unstructured data
  • Apply data-centric XAI for practical problem-solving
  • Hands-on exposure to LIME, SHAP, TCAV, DALEX, ALIBI, DiCE, and others
  • Discover industrial best practices for explainable ML systems
  • Use user-centric XAI to bring AI closer to non-technical end users
  • Address open challenges in XAI using the recommended guidelines

Who this book is for

This book is designed for scientists, researchers, engineers, architects, and managers who are actively engaged in the field of Machine Learning and related areas. In general, anyone who is interested in problem-solving using AI would be benefited from this book. The readers are recommended to have a foundational knowledge of Python, Machine Learning, Deep Learning, and Data Science. This book is ideal for readers who are working in the following roles:
 
 
  • Data and AI Scientists
  • AI/ML Engineers
  • AI/ML Product Managers
  • AI Product Owners
  • AI/ML Researchers
  • User experience and HCI Researchers

Table of Contents

 
  1. Foundational Concepts of Explainability Techniques
  2. Model Explainability Methods
  3. Data-Centric Approaches
  4. LIME for Model Interpretability
  5. Practical Exposure to Using LIME in ML
  6. Model Interpretability Using SHAP
  7. Practical Exposure to Using SHAP in ML
  8. Human-Friendly Explanations with TCAV
  9. Other Popular XAI Frameworks
  10. XAI Industry Best Practices
  11. End User-Centered Artificial Intelligence


فهرست مطالب

Cover
Title page
Copyright and Credits
Dedications
Contributors
Table of Contents
Preface
Section 1 – Conceptual Exposure
Chapter 1: Foundational Concepts of Explainability Techniques
	Introduction to XAI
		Understanding the key terms
		Consequences of poor predictions
		Summarizing the need for model explainability
	Defining explanation methods and approaches
		Dimensions of explainability
		Addressing key questions of explainability
		Understanding different types of explanation methods
		Understanding the accuracy interpretability trade-off
	Evaluating the quality of explainability methods
		Criteria for good explainable ML systems
		Auxiliary criteria of XAI for ML systems
		Taxonomy of evaluation levels for explainable ML systems
	Summary
	References
Chapter 2: Model Explainability Methods
	Technical requirements
	Types of model explainability methods
	Knowledge extraction methods
		EDA
	Result visualization methods
		Using comparison analysis
		Using Surrogate Explainer methods
	Influence-based methods
		Feature importance
		Sensitivity analysis
		PDPs
		LRP
		Representation-based explanation
		VAMs
	Example-based methods
		CFEs in structured data
		CFEs in unstructured data
	Summary
	References
Chapter 3: Data-Centric Approaches
	Technical requirements
	Introduction to data-centric XAI
		Analyzing data volume
		Analyzing data consistency
		Analyzing data purity
	Thorough data analysis and profiling process
		The need for data analysis and profiling processes
		Data analysis as a precautionary step
		Building robust data profiles
	Monitoring and anticipating drifts
		Detecting drifts
		Selection of statistical measures
	Checking adversarial robustness
		Impact of adversarial attacks
		Methods to increase adversarial robustness
		Evaluating adversarial robustness
	Measuring data forecastability
		Estimating data forecastability
	Summary
	References
Section 2 – Practical Problem Solving
Chapter 4: LIME for Model Interpretability
	Technical requirements
	Intuitive understanding of LIME
		Learning interpretable data representations
		Maintaining a balance in the fidelity-interpretability trade-off
		Searching for local explorations
	What makes LIME a good model explainer?
	SP-LIME
	A practical example of using LIME for classification problems
	Potential pitfalls
	Summary
	References
Chapter 5: Practical Exposure to Using LIME in ML
	Technical requirements
	Using LIME on tabular data
		Setting up LIME
		Discussion about the dataset
		Discussions about the model
		Application of LIME
	Explaining image classifiers with LIME
		Setting up the required Python modules
		Using a pre-trained TensorFlow model as our black-box model
		Application of LIME Image Explainers
	Using LIME on text data
		Installing the required Python modules
		Discussions about the dataset used for training the model
		Discussions about the text classification model
		Applying LIME Text Explainers
	LIME for production-level systems
	Summary
	References
Chapter 6: Model Interpretability Using SHAP
	Technical requirements
	An intuitive understanding of the SHAP and Shapley values
		Introduction to SHAP and Shapley values
		What are Shapley values?
		Shapley values in ML
		The SHAP framework
	Model explainability approaches using SHAP
		Visualizations in SHAP
		Explainers in SHAP
	Using SHAP to explain regression models
		Setting up SHAP
		Inspecting the dataset
		Training the model
		Application of SHAP
	Advantages and limitations of SHAP
		Advantages
		Limitations
	Summary
	References
Chapter 7: Practical Exposure to Using SHAP in ML
	Technical requirements
	Applying TreeExplainers to tree ensemble models
		Installing the required Python modules
		Discussion about the dataset
		Training the model
		Application of TreeExplainer in SHAP
	Explaining deep learning models using DeepExplainer and GradientExplainer
		GradientExplainer
		Discussion on the dataset used for training the model
		Using a pre-trained CNN model for this example
		Application of GradientExplainer in SHAP
		Exploring DeepExplainers
		Application of DeepExplainer in SHAP
	Model-agnostic explainability using KernelExplainer
		Application of KernelExplainer in SHAP
	Exploring LinearExplainer in SHAP
		Application of LinearExplainer in SHAP
	Explaining transformers using SHAP
		Explaining transformer-based sentiment analysis models
		Explaining a multi-class prediction transformer model using SHAP
		Explaining zero-shot learning models using SHAP
	Summary
	References
Chapter 8: Human-Friendly Explanations with TCAV
	Technical requirements
	Understanding TCAV intuitively
		What is TCAV?
		Explaining with abstract concepts
		Goals of TCAV
		Approach of TCAV
	Exploring the practical applications of TCAV
		Getting started
		About the data
		Discussions about the deep learning model used
		Model explainability using TCAV
	Advantages and limitations
		Advantages
		Limitations
	Potential applications of concept-based explanations
	Summary
	References
Chapter 9: Other Popular XAI Frameworks
	Technical requirements
	DALEX
		Setting up DALEX for model explainability
		Discussions about the dataset
		Training the model
		Model explainability using DALEX
		Model-level explanations
		Prediction-level explanations
		Evaluating model fairness
		Interactive dashboards using ARENA
	Explainerdashboard
		Setting up Explainerdashboard
		Model explainability with Explainerdashboard
	InterpretML
		Supported explanation methods
		Setting up InterpretML
		Discussions about the dataset
		Training the model
		Explainability with InterpretML
	ALIBI
		Setting up ALIBI
		Discussion about the dataset
		Training the model
		Model explainability with ALIBI
	DiCE
		CFE methods supported in DiCE
		Model explainability with DiCE
	ELI5
		Setting up ELI5
		Model explainability using ELI5
	H2O AutoML explainers
		Explainability with H2O explainers
	Quick comparison guide
	Summary
	References
Section 3 –  Taking XAI to the Next Level
Chapter 10: XAI Industry Best Practices
	Open challenges of XAI
	Guidelines for designing explainable ML systems
	Adopting a data-first approach for explainability
	Emphasizing IML for explainability
	Emphasizing prescriptive insights for explainability
	Summary
	References
Chapter 11: End User-Centered Artificial Intelligence
	User-centered XAI/ML systems
		Different aspects of end user-centric XAI
	Rapid XAI prototyping using EUCA
	Efforts toward increasing user acceptance of AI/ML systems using XAI
	Providing a delightful UX
	Summary
	References
Index
Other Books You May Enjoy




نظرات کاربران