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 and Interpretable Models in Computer Vision and Machine Learning

دانلود کتاب مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین

Explainable and Interpretable Models in Computer Vision and Machine Learning

مشخصات کتاب

Explainable and Interpretable Models in Computer Vision and Machine Learning

ویرایش: 1st ed. 
نویسندگان: , , , , , ,   
سری: The Springer Series on Challenges in Machine Learning 
ISBN (شابک) : 9783319981307, 9783319981314 
ناشر: Springer International Publishing 
سال نشر: 2018 
تعداد صفحات: 305 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت

قیمت کتاب (تومان) : 35,000



کلمات کلیدی مربوط به کتاب مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین: علوم کامپیوتر، پردازش تصویر و بینایی کامپیوتری، تشخیص الگو



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 6


در صورت تبدیل فایل کتاب Explainable and Interpretable Models in Computer Vision and Machine Learning 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 مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین 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 مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین



این کتاب تحقیقات پیشرو در مورد توسعه روش‌های یادگیری ماشینی قابل توضیح و تفسیر را در زمینه بینایی رایانه و یادگیری ماشین گردآوری می‌کند.

پیشرفت تحقیق در بینایی رایانه و تشخیص الگو منجر به انواع تکنیک های مدل سازی با عملکرد تقریباً شبیه انسان شده است. اگرچه این مدل‌ها نتایج خیره‌کننده‌ای به دست آورده‌اند، اما از نظر توضیح‌پذیری و تفسیرپذیری محدود هستند: منطق پشت تصمیم گرفته شده چیست؟ چه چیزی در ساختار مدل عملکرد آن را توضیح می دهد؟ از این رو، در حالی که عملکرد خوب یک ویژگی ضروری ضروری برای ماشین‌های یادگیری است، قابلیت‌های توضیح‌پذیری و تفسیرپذیری لازم است تا ماشین‌های یادگیری را به مرحله بعدی برسانیم تا آنها را در سیستم‌های پشتیبانی تصمیم‌گیری شامل نظارت انسانی شامل شود.

این کتاب که توسط محققان برجسته بین المللی نوشته شده است، به موضوعات کلیدی توضیح پذیری و تفسیرپذیری می پردازد، از جمله موارد زیر:

· ارزیابی و تعمیم در یادگیری ماشینی قابل تفسیر

· روش‌های توضیحی در یادگیری عمیق

· یادگیری مدل‌های علی تابعی با شبکه‌های عصبی مولد

· یادگیری قوانین قابل تفسیر برای طبقه‌بندی چند برچسبی

< p>· ساختار شبکه‌های عصبی برای پیش‌بینی‌های قابل توضیح بیشتر

· ایجاد منطق‌های مستدل تصمیمات طبقه‌بندی بصری عمیق

· ترکیب توضیحات تصویری

· رانندگی عمیق قابل توضیح توسط تجسم توجه علّی

· دیدگاه میان رشته ای در مورد جستجوی الگوریتمی نامزد شغل

· تجزیه و تحلیل ویژگی های شخصیتی چندوجهی برای مدل سازی قابل توضیح تصمیمات مصاحبه شغلی

· نظریه الگوی توضیح پذیری ذاتی- تفسیر رویدادهای ویدیویی مبتنی بر



توضیحاتی درمورد کتاب به خارجی

This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning.

Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision.

This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following:

· Evaluation and Generalization in Interpretable Machine Learning

· Explanation Methods in Deep Learning

· Learning Functional Causal Models with Generative Neural Networks

· Learning Interpreatable Rules for Multi-Label Classification

· Structuring Neural Networks for More Explainable Predictions

· Generating Post Hoc Rationales of Deep Visual Classification Decisions

· Ensembling Visual Explanations

· Explainable Deep Driving by Visualizing Causal Attention

· Interdisciplinary Perspective on Algorithmic Job Candidate Search

· Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions

· Inherent Explainability Pattern Theory-based Video Event Interpretations




فهرست مطالب

Content: Intro
 Foreword
 Preface
 Acknowledgements
 Contents
 Contributors
 Part I Notions and Concepts on Explainability and Interpretability
 Considerations for Evaluation and Generalization in Interpretable Machine Learning
 1 Introduction
 2 Defining Interpretability
 3 Defining the Interpretability Need
 4 Evaluation
 5 Considerations for Generalization
 6 Conclusion: Recommendations for Researchers
 References
 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges
 1 Introduction
 1.1 The Components of Explainability
 1.2 Users and Laws
 1.3 Explanation and DNNs 2 Users and Their Concerns2.1 Case Study: Autonomous Driving
 3 Laws and Regulations
 4 Explanation
 5 Explanation Methods
 5.1 Desirable Properties of Explainers
 5.2 A Taxonomy for Explanation Methods
 5.2.1 Rule-Extraction Methods
 5.2.2 Attribution Methods
 5.2.3 Intrinsic Methods
 6 Addressing General Concerns
 7 Discussion
 References
 Part II Explainability and Interpretability in Machine Learning
 Learning Functional Causal Models with Generative NeuralNetworks
 1 Introduction
 2 Problem Setting
 2.1 Notations
 2.2 Assumptions and Properties
 3 State of the Art
 3.1 Learning the CPDAG 3.1.1 Constraint-Based Methods3.1.2 Score-Based Methods
 3.1.3 Hybrid Algorithms
 3.2 Exploiting Asymmetry Between Cause and Effect
 3.2.1 The Intuition
 3.2.2 Restriction on the Class of Causal Mechanisms Considered
 3.2.3 Pairwise Methods
 3.3 Discussion
 4 Causal Generative Neural Networks
 4.1 Modeling Continuous FCMs with Generative Neural Networks
 4.1.1 Generative Model and Interventions
 4.2 Model Evaluation
 4.2.1 Scoring Metric
 4.2.2 Representational Power of CGNN
 4.3 Model Optimization
 4.3.1 Parametric (Weight) Optimization
 4.3.2 Non-parametric (Structure) Optimization 4.3.3 Identifiability of CGNN up to Markov Equivalence Classes5 Experiments
 5.1 Experimental Setting
 5.2 Learning Bivariate Causal Structures
 5.2.1 Benchmarks
 5.2.2 Baseline Approaches
 5.2.3 Hyper-Parameter Selection
 5.2.4 Empirical Results
 5.3 Identifying v-structures
 5.4 Multivariate Causal Modeling Under Causal Sufficiency Assumption
 5.4.1 Results on Artificial Graphs with Additive and Multiplicative Noises
 5.4.2 Result on Biological Data
 5.4.3 Results on Biological Real-World Data
 6 Towards Predicting Confounding Effects
 6.1 Principle
 6.2 Experimental Validation 6.2.1 Benchmarks6.2.2 Baselines
 6.2.3 Results
 7 Discussion and Perspectives
 Appendix
 The Maximum Mean Discrepancy (MMD) Statistic
 Proofs
 Table of Scores for the Experiments on Cause-Effect Pairs
 Table of Scores for the Experiments on Graphs
 References
 Learning Interpretable Rules for Multi-Label Classification
 1 Introduction
 2 Multi-Label Classification
 2.1 Problem Definition
 2.2 Dependencies in Multi-Label Classification
 2.3 Evaluation of Multi-Label Predictions
 2.3.1 Bipartition Evaluation Functions
 2.3.2 Multi-Label Evaluation Functions
 2.3.3 Aggregation and Averaging




نظرات کاربران

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