Human and Machine Learning: Visible, Explainable, Trustworthy and Transparent

ویرایش: 1st ed. 2018 
نویسندگان: Jianlong Zhou. Fang Chen  
سری: Human–Computer Interaction Series 
ISBN (شابک) : 3319904027, 9783319904023 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 485 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 14 مگابایت 

قیمت کتاب (تومان) : 30,000



با پیشرفت تکاملی الگوریتم‌های یادگیری ماشینی (ML)، افزایش سریع حجم داده‌ها و بهبود قابل توجهی در قدرت‌های محاسباتی، یادگیری ماشین در برنامه‌های مختلف داغ می‌شود. با این حال، به دلیل ماهیت «جعبه سیاه» در روش‌های ML، ML هنوز باید تفسیر شود تا یادگیری انسان و ماشین را برای شفافیت و پذیرش راه‌حل‌های ارائه‌شده توسط کاربر پیوند دهد. این کتاب ویرایش شده به چنین پیوندهایی از منظر تجسم، توضیح، قابلیت اعتماد و شفافیت می پردازد. این کتاب با بررسی شفافیت در یادگیری ماشینی، توضیح بصری فرآیندهای ML، توضیح الگوریتمی مدل‌های ML، پاسخ‌های شناختی انسان در تصمیم‌گیری مبتنی بر ML، ارزیابی انسان از یادگیری ماشین و دانش دامنه در ML شفاف، پیوند بین انسان و یادگیری ماشین را ایجاد می‌کند. برنامه های کاربردی.

این اولین کتاب در نوع خود است که به طور سیستماتیک فعالیت های تحقیقاتی فعال فعلی و نتایج مربوط به یادگیری انسان و ماشین را درک می کند. این کتاب نه تنها الهام‌بخش محققان خواهد بود تا با شور و اشتیاق الگوریتم‌های جدیدی را توسعه دهند که شامل الگوریتم‌های انسان‌محور برای ML می‌شود، که منجر به پیشرفت کلی ML می‌شود، بلکه به پزشکان ML کمک می‌کند تا به طور فعال از خروجی‌های ML برای تصمیم‌گیری آموزنده و قابل اعتماد استفاده کنند.

< p> این کتاب برای محققان و متخصصان درگیر با یادگیری ماشین و کاربردهای آن در نظر گرفته شده است. این کتاب به ویژه برای محققان در زمینه‌هایی مانند هوش مصنوعی، سیستم‌های پشتیبانی تصمیم و تعامل انسان و رایانه مفید خواهد بود.

With an evolutionary advancement of Machine Learning (ML) algorithms, a rapid increase of data volumes and a significant improvement of computation powers, machine learning becomes hot in different applications. However, because of the nature of “black-box” in ML methods, ML still needs to be interpreted to link human and machine learning for transparency and user acceptance of delivered solutions. This edited book addresses such links from the perspectives of visualisation, explanation, trustworthiness and transparency. The book establishes the link between human and machine learning by exploring transparency in machine learning, visual explanation of ML processes, algorithmic explanation of ML models, human cognitive responses in ML-based decision making, human evaluation of machine learning and domain knowledge in transparent ML applications.

This is the first book of its kind to systematically understand the current active research activities and outcomes related to human and machine learning. The book will not only inspire researchers to passionately develop new algorithms incorporating human for human-centred ML algorithms, resulting in the overall advancement of ML, but also help ML practitioners proactively use ML outputs for informative and trustworthy decision making.

This book is intended for researchers and practitioners involved with machine learning and its applications. The book will especially benefit researchers in areas like artificial intelligence, decision support systems and human-computer interaction.