دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Interpretable Machine Learning
دانلود کتاب تفسیر یادگیری ماشین
مشخصات کتاب
Interpretable Machine Learning
ویرایش:
نویسندگان: Christoph Molnar
سری:
ISBN (شابک) : 0244768528, 9780244768522
ناشر: lulu.com
سال نشر: 2021
تعداد صفحات: 368
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 25 مگابایت
قیمت کتاب (تومان) : 42,000
در صورت تبدیل فایل کتاب Interpretable 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 تفسیر 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 تفسیر یادگیری ماشین
این کتاب در مورد ساخت مدل های یادگیری ماشینی و تصمیمات آنها قابل تفسیر است. پس از بررسی مفاهیم تفسیرپذیری، با مدل های ساده و قابل تفسیر مانند درخت تصمیم، قوانین تصمیم گیری و رگرسیون خطی آشنا خواهید شد. فصل‌های بعدی بر روش‌های کلی مدل-آگنوستیک برای تفسیر مدل‌های جعبه سیاه مانند اهمیت ویژگی و اثرات محلی انباشته شده و توضیح پیش‌بینی‌های فردی با مقادیر Shapley و LIME تمرکز دارند. همه روش های تفسیر به طور عمیق توضیح داده شده و به صورت انتقادی مورد بحث قرار می گیرند. چگونه زیر کاپوت کار می کنند؟ قوت و ضعف آنها در چیست؟ چگونه می توان خروجی های آنها را تفسیر کرد؟ این کتاب شما را قادر می سازد تا روش تفسیری را که مناسب ترین روش برای پروژه یادگیری ماشین شما است، انتخاب کرده و به درستی اعمال کنید.
توضیحاتی درمورد کتاب به خارجی
This book is about making machine learning models and their decisions interpretable. After exploring the concepts of interpretability, you will learn about simple, interpretable models such as decision trees, decision rules and linear regression. Later chapters focus on general model-agnostic methods for interpreting black box models like feature importance and accumulated local effects and explaining individual predictions with Shapley values and LIME. All interpretation methods are explained in depth and discussed critically. How do they work under the hood? What are their strengths and weaknesses? How can their outputs be interpreted? This book will enable you to select and correctly apply the interpretation method that is most suitable for your machine learning project.
فهرست مطالب
Interpretable-Machine-Learning-by-Christoph-Molnar Summary Preface by the Author 1 Introduction 1.1 Story Time 1.2 What Is Machine Learning? 1.3 Terminology 2 Interpretability 2.1 Importance of Interpretability 2.2 Taxonomy of Interpretability Methods 2.3 Scope of Interpretability 2.4 Evaluation of Interpretability 2.5 Properties of Explanations 2.6 Human-friendly Explanations 3 Datasets 3.1 Bike Rentals (Regression) 3.2 YouTube Spam Comments (Text Classification) 3.3 Risk Factors for Cervical Cancer (Classification) 4 Interpretable Models 4.1 Linear Regression 4.2 Logistic Regression 4.3 GLM, GAM and more 4.4 Decision Tree 4.5 Decision Rules 4.6 RuleFit 4.7 Other Interpretable Models 5 Model-Agnostic Methods 5.1 Partial Dependence Plot (PDP) 5.2 Individual Conditional Expectation (ICE) 5.3 Accumulated Local Effects (ALE) Plot 5.4 Feature Interaction 5.5 Permutation Feature Importance 5.6 Global Surrogate 5.7 Local Surrogate (LIME) 5.8 Scoped Rules (Anchors) 5.9 Shapley Values 5.10 SHAP (SHapley Additive exPlanations) 6 Example-Based Explanations 6.1 Counterfactual Explanations 6.2 Adversarial Examples 6.3 Prototypes and Criticisms 6.4 Influential Instances 7 Neural Network Interpretation 7.1 Learned Features 7.2 Pixel Attribution (Saliency Maps) 7.3 Detecting Concepts 8 A Look into the Crystal Ball 8.1 The Future of Machine Learning 8.2 The Future of Interpretability 9 Contribute to the Book 10 Citing this Book 11 Translations 12 Acknowledgements References R Packages Used for Examples
