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 Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python

دانلود کتاب دستور العمل‌های هوش مصنوعی قابل توضیح: پیاده‌سازی راه‌حل‌هایی برای مدل‌سازی توضیح‌پذیری و تفسیرپذیری با پایتون

Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python

مشخصات کتاب

Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781484290286, 9781484290293 
ناشر: Apress 
سال نشر: 2023 
تعداد صفحات: 267 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 Mb

قیمت کتاب (تومان) : 59,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Explainable AI Recipes: Implement Solutions to Model Explainability and Interpretability with Python 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 دستور العمل‌های هوش مصنوعی قابل توضیح: پیاده‌سازی راه‌حل‌هایی برای مدل‌سازی توضیح‌پذیری و تفسیرپذیری با پایتون 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 دستور العمل‌های هوش مصنوعی قابل توضیح: پیاده‌سازی راه‌حل‌هایی برای مدل‌سازی توضیح‌پذیری و تفسیرپذیری با پایتون

نحوه استفاده از کتابخانه های هوش مصنوعی قابل توضیح (XAI) و ایجاد اعتماد به هوش مصنوعی و مدل های یادگیری ماشین را بدانید. این کتاب از رویکرد حل مسئله برای توضیح مدل‌های یادگیری ماشین و الگوریتم‌های آن‌ها استفاده می‌کند. این کتاب با تفسیر مدل برای مدل‌های خطی یادگیری نظارت‌شده آغاز می‌شود، که شامل اهمیت ویژگی، تجزیه و تحلیل وابستگی جزئی، و تجزیه و تحلیل نقطه داده تأثیرگذار برای هر دو مدل طبقه‌بندی و رگرسیون است. سپس، یادگیری تحت نظارت را با استفاده از مدل‌های غیر خطی و چارچوب‌های پیشرفته مانند مقادیر/نمرات SHAP و LIME برای تفسیر محلی توضیح می‌دهد. قابلیت توضیح برای مدل‌های سری زمانی با استفاده از LIME و SHAP، و همچنین وظایف مربوط به پردازش زبان طبیعی مانند طبقه‌بندی متن، و تجزیه و تحلیل احساسات با ELI5 و ALIBI پوشش داده می‌شود. این کتاب با طبقه‌بندی مدل پیچیده و شبکه‌های عصبی رگرسیون مانند و مدل‌های یادگیری عمیق با استفاده از چارچوب CAPTUM که انتساب ویژگی، انتساب نورون و انتساب فعال‌سازی را نشان می‌دهد، به پایان می‌رسد. پس از خواندن این کتاب، مدل‌های هوش مصنوعی و یادگیری ماشین را درک خواهید کرد و می‌توانید آن دانش را در عمل به کار ببرید تا دقت و شفافیت بیشتری را در تحلیل‌های خود به ارمغان بیاورید. آنچه می آموزید ایجاد قطعه کد و توضیح مدل های یادگیری ماشین با استفاده از پایتون اهرم مدل های یادگیری عمیق با استفاده از آخرین کد با پیاده سازی های چابک ساخت، آموزش و توضیح مدل های شبکه عصبی طراحی شده برای مقیاس درک انواع مختلف مدل های شبکه عصبی این کتاب برای چه کسانی است. مهندسان هوش مصنوعی، دانشمندان داده و توسعه دهندگان نرم افزار علاقه مند به XAI


توضیحاتی درمورد کتاب به خارجی

Understand how to use Explainable AI (XAI) libraries and build trust in AI and machine learning models. This book utilizes a problem-solution approach to explaining machine learning models and their algorithms. The book starts with model interpretation for supervised learning linear models, which includes feature importance, partial dependency analysis, and influential data point analysis for both classification and regression models. Next, it explains supervised learning using non-linear models and state-of-the-art frameworks such as SHAP values/scores and LIME for local interpretation. Explainability for time series models is covered using LIME and SHAP, as are natural language processing-related tasks such as text classification, and sentiment analysis with ELI5, and ALIBI. The book concludes with complex model classification and regression-like neural networks and deep learning models using the CAPTUM framework that shows feature attribution, neuron attribution, and activation attribution. After reading this book, you will understand AI and machine learning models and be able to put that knowledge into practice to bring more accuracy and transparency to your analyses. What You Will Learn Create code snippets and explain machine learning models using Python Leverage deep learning models using the latest code with agile implementations Build, train, and explain neural network models designed to scale Understand the different variants of neural network models Who This Book Is For AI engineers, data scientists, and software developers interested in XAI



فهرست مطالب

Table of Contents
About the Author
About the Technical Reviewer
Acknowledgments
Introduction
Chapter 1: Introducing Explainability and  Setting Up Your Development Environment
	Recipe 1-1. SHAP Installation
		Problem
		Solution
		How It Works
	Recipe 1-2. LIME Installation
		Problem
		Solution
		How It Works
	Recipe 1-3. SHAPASH Installation
		Problem
		Solution
		How It Works
	Recipe 1-4. ELI5 Installation
		Problem
		Solution
		How It Works
	Recipe 1-5. Skater Installation
		Problem
		Solution
		How It Works
	Recipe 1-6. Skope-rules Installation
		Problem
		Solution
		How It Works
	Recipe 1-7. Methods of Model Explainability
		Problem
		Solution
		How It Works
	Conclusion
Chapter 2: Explainability for Linear Supervised Models
	Recipe 2-1. SHAP Values for a Regression Model on All Numerical Input Variables
		Problem
		Solution
		How It Works
	Recipe 2-2. SHAP Partial Dependency Plot for a Regression Model
		Problem
		Solution
		How It Works
	Recipe 2-3. SHAP Feature Importance for Regression Model with All Numerical Input Variables
		Problem
		Solution
		How It Works
	Recipe 2-4. SHAP Values for a Regression Model on All Mixed Input Variables
		Problem
		Solution
		How It Works
	Recipe 2-5. SHAP Partial Dependency Plot for Regression Model for Mixed Input
		Problem
		Solution
		How It Works
	Recipe 2-6. SHAP Feature Importance for a Regression Model with All Mixed Input Variables
		Problem
		Solution
		How It Works
	Recipe 2-7. SHAP Strength for Mixed Features on the Predicted Output for Regression Models
		Problem
		Solution
		How It Works
	Recipe 2-8. SHAP Values for a Regression Model on Scaled Data
		Problem
		Solution
		How It Works
	Recipe 2-9. LIME Explainer for Tabular Data
		Problem
		Solution
		How It Works
	Recipe 2-10. ELI5 Explainer for Tabular Data
		Problem
		Solution
		How It Works
	Recipe 2-11. How the Permutation Model in ELI5 Works
		Problem
		Solution
		How It Works
	Recipe 2-12. Global Explanation for Logistic Regression Models
		Problem
		Solution
		How It Works
	Recipe 2-13. Partial Dependency Plot for a Classifier
		Problem
		Solution
		How It Works
	Recipe 2-14. Global Feature Importance from the Classifier
		Problem
		Solution
		How It Works
	Recipe 2-15. Local Explanations Using LIME
		Problem
		Solution
		How It Works
	Recipe 2-16. Model Explanations Using ELI5
		Problem
		Solution
		How It Works
	Conclusion
	References
Chapter 3: Explainability for Nonlinear Supervised Models
	Recipe 3-1. SHAP Values for Tree Models on All Numerical Input Variables
		Problem
		Solution
		How It Works
	Recipe 3-2. Partial Dependency Plot for Tree Regression Model
		Problem
		Solution
		How It Works
	Recipe 3-3. SHAP Feature Importance for Regression Models with All Numerical Input Variables
		Problem
		Solution
		How It Works
	Recipe 3-4. SHAP Values for Tree Regression Models with All Mixed Input Variables
		Problem
		Solution
		How It Works
	Recipe 3-5. SHAP Partial Dependency Plot for Regression Models with Mixed Input
		Problem
		Solution
		How It Works
	Recipe 3-6. SHAP Feature Importance for Tree Regression Models with All Mixed Input Variables
		Problem
		Solution
		How It Works
	Recipe 3-7. LIME Explainer for Tabular Data
		Problem
		Solution
		How It Works
	Recipe 3-8. ELI5 Explainer for Tabular Data
		Problem
		Solution
		How It Works
	Recipe 3-9. How the Permutation Model in ELI5 Works
		Problem
		Solution
		How It Works
	Recipe 3-10. Global Explanation for Decision Tree Models
		Problem
		Solution
		How It Works
	Recipe 3-11. Partial Dependency Plot for a Nonlinear Classifier
		Problem
		Solution
		How It Works
	Recipe 3-12. Global Feature Importance from the Nonlinear Classifier
		Problem
		Solution
		How It Works
	Recipe 3-13. Local Explanations Using LIME
		Problem
		Solution
		How It Works
	Recipe 3-14. Model Explanations Using ELI5
		Problem
		Solution
		How It Works
	Conclusion
Chapter 4: Explainability for Ensemble Supervised Models
	Recipe 4-1. Explainable Boosting Machine Interpretation
		Problem
		Solution
		How It Works
	Recipe 4-2. Partial Dependency Plot for Tree Regression Models
		Problem
		Solution
		How It Works
	Recipe 4-3. Explain a Extreme Gradient Boosting Model with All Numerical Input Variables
		Problem
		Solution
		How It Works
	Recipe 4-4. Explain a Random Forest Regressor with Global and Local Interpretations
		Problem
		Solution
		How It Works
	Recipe 4-5. Explain the Catboost Regressor with Global and Local Interpretations
		Problem
		Solution
		How It Works
	Recipe 4-6. Explain the EBM Classifier with Global and Local Interpretations
		Problem
		Solution
		How It Works
	Recipe 4-7. SHAP Partial Dependency Plot for Regression Models with Mixed Input
		Problem
		Solution
		How It Works
	Recipe 4-8. SHAP Feature Importance for Tree Regression Models with Mixed Input Variables
		Problem
		Solution
		How It Works
	Recipe 4-9. Explaining the XGBoost Model
		Problem
		Solution
		How It Works
	Recipe 4-10. Random Forest Regressor for Mixed Data Types
		Problem
		Solution
		How It Works
	Recipe 4-11. Explaining the Catboost Model
		Problem
		Solution
		How It Works
	Recipe 4-12. LIME Explainer for the Catboost Model and Tabular Data
		Problem
		Solution
		How It Works
	Recipe 4-13. ELI5 Explainer for Tabular Data
		Problem
		Solution
		How It Works
	Recipe 4-14. How the Permutation Model in ELI5 Works
		Problem
		Solution
		How It Works
	Recipe 4-15. Global Explanation for Ensemble Classification Models
		Problem
		Solution
		How It Works
	Recipe 4-16. Partial Dependency Plot for a Nonlinear Classifier
		Problem
		Solution
		How It Works
	Recipe 4-17. Global Feature Importance from the Nonlinear Classifier
		Problem
		Solution
		How It Works
	Recipe 4-18. XGBoost Model Explanation
		Problem
		Solution
		How It Works
	Recipe 4-19. Explain a Random Forest Classifier
		Problem
		Solution
		How It Works
	Recipe 4-20. Catboost Model Interpretation for Classification Scenario
		Problem
		Solution
		How It Works
	Recipe 4-21. Local Explanations Using LIME
		Problem
		Solution
		How It Works
	Recipe 4-22. Model Explanations Using ELI5
		Problem
		Solution
		How It Works
	Recipe 4-23. Multiclass Classification Model Explanation
		Problem
		Solution
		How It Works
	Conclusion
Chapter 5: Explainability for Natural Language Processing
	Recipe 5-1. Explain Sentiment Analysis Text Classification Using SHAP
		Problem
		Solution
		How It Works
	Recipe 5-2. Explain Sentiment Analysis Text Classification Using ELI5
		Problem
		Solution
		How It Works
	Recipe 5-3. Local Explanation Using ELI5
		Problem
		Solution
		How It Works
	Conclusion
Chapter 6: Explainability for Time-Series Models
	Recipe 6-1. Explain Time-Series Models Using LIME
		Problem
		Solution
		How It Works
	Recipe 6-2. Explain Time-Series Models Using SHAP
		Problem
		Solution
		How It Works
	Conclusion
Chapter 7: Explainability for Deep Learning Models
	Recipe 7-1. Explain MNIST Images Using a Gradient Explainer Based on Keras
		Problem
		Solution
		How It Works
	Recipe 7-2. Use Kernel Explainer–Based SHAP Values from a Keras Model
		Problem
		Solution
		How It Works
	Recipe 7-3. Explain a PyTorch-Based Deep Learning Model
		Problem
		Solution
		How It Works
	Conclusion




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد