- عنوان کتاب: Interpretable Machine Learning with Python
- نویسنده: Serg Masís
- حوزه: یادگیری ماشین, برنامه نویسی پایتون
- سال انتشار: 2023
- تعداد صفحه: 607
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 13.6 مگابایت
عنوان این کتاب مضامین اصلی آن را نشان می دهد: تفسیر، یادگیری ماشین و پایتون، که موضوع اول مهم ترین است. بنابراین، چرا تفسیر اینقدر مهم است؟ یادگیری ماشینی قابل تفسیر، که اغلب به عنوان هوش مصنوعی قابل توضیح (XAI) شناخته میشود، مجموعهای از تکنیکها را در بر میگیرد که به ما کمک میکند تا بینشهایی را از مدلها جمعآوری کنیم، با هدف اطمینان از ایمن، منصفانه و قابل اعتماد – هدفی که من معتقدم همه ما برای مدلهای خود به اشتراک میگذاریم. . با ظهور هوش مصنوعی که جایگزین نرم افزارهای سنتی و حتی وظایف انسانی می شود، مدل های یادگیری ماشینی به عنوان شکل پیشرفته تری از نرم افزار در نظر گرفته می شوند. در حالی که آنها بر روی داده های باینری کار می کنند، نرم افزار معمولی نیستند. منطق آنها به صراحت توسط توسعه دهندگان کدگذاری نشده است، اما از الگوهای داده بیرون می آید. اینجاست که تفسیر وارد میشود و به ما کمک میکند تا این مدلها را بفهمیم، خطاهای آنها را مشخص کنیم، و قبل از هر گونه اشتباه احتمالی آنها را اصلاح کنیم. بنابراین، تفسیر در تقویت اعتماد و ملاحظات اخلاقی در این مدلها ضروری است. و شایان ذکر است که در آیندهای نه چندان دور، مدلهای آموزشی ممکن است از کدنویسی به سمت رابطهای بصریتر کشیدن و رها کردن حرکت کنند. در این زمینه، درک مدل های یادگیری ماشین به یک مهارت ارزشمند تبدیل می شود. در حال حاضر، هنوز مقدار قابل توجهی از کدگذاری در پیش پردازش داده، اکتشاف، آموزش مدل، و استقرار وجود دارد. و در حالی که این کتاب سرشار از نمونههای پایتون است، اما صرفاً یک راهنمای کدنویسی حذف شده از برنامههای کاربردی یا تصویر بزرگتر نیست. ماهیت کتاب این است که وقتی صحبت از یادگیری ماشینی قابل تفسیر به میان میآید، چرایی را قبل از اینکه چگونه میتوان در اولویت قرار داد، زیرا تفسیر حول این سوال میچرخد که چرا. بنابراین، بیشتر فصول این کتاب با طرح یک مأموریت (چرا) و سپس بررسی روش شناسی (چگونه) آغاز می شود. هدف دستیابی به ماموریت با استفاده از تکنیک های مورد بحث در فصل، با تاکید بر درک نتایج است. فصل ها با تعمق در بینش های عملی به دست آمده از تمرین ها به پایان می رسند. ساختار این کتاب مترقی است و از مبانی شروع می شود و به موضوعات پیچیده تر می رود. ابزارهای مورد استفاده در این کتاب منبع باز هستند و محصولات موسسات تحقیقاتی پیشرو مانند مایکروسافت، گوگل و IBM هستند. اگرچه تفسیرپذیری یک زمینه تحقیقاتی گسترده است که جنبههای بسیاری هنوز در مرحله توسعه است، این کتاب قصد ندارد همه آن را پوشش دهد. هدف اصلی آن کاوش عمیق در مجموعه ای از ابزارهای تفسیرپذیر است که آن را برای کسانی که در حوزه یادگیری ماشین کار می کنند مفید می کند. بخش ابتدایی کتاب تفسیرپذیری را معرفی میکند و بر اهمیت آن در چشمانداز کسبوکار تأکید میکند و مولفهها و چالشهای اصلی آن را مورد بحث قرار میدهد. بخش بعدی یک نمای کلی از تکنیکهای مختلف تفسیر و کاربردهای آنها، چه برای طبقهبندی، رگرسیون، دادههای جدولی، سریهای زمانی، تصاویر یا متن ارائه میدهد. در بخش آخر، خوانندگان در تمرینهای عملی در مورد تنظیم مدل و آموزش دادهها برای تفسیرپذیری، تمرکز بر سادهسازی مدلها، پرداختن به سوگیریها، تعیین محدودیتها و اطمینان از قابلیت اطمینان شرکت خواهند کرد. با نتیجه گیری کتاب، خوانندگان در استفاده از تکنیک های تفسیرپذیری برای به دست آوردن بینش عمیق تر در مورد مدل های یادگیری ماشین ماهر خواهند بود.
The title of this book suggests its central themes: interpretation, machine learning, and Python, with the first theme being the most crucial. So, why is interpretation so important? Interpretable machine learning, often referred to as Explainable AI (XAI), encompasses a growing array of techniques that help us glean insights from models, aiming to ensure they are safe, fair, and reliable – a goal I believe we all share for our models. With the rise of AI superseding traditional software and even human tasks, machine learning models are viewed as a more advanced form of software. While they operate on binary data, they aren’t typical software; their logic isn’t explicitly coded by developers but emerges from data patterns. This is where interpretation steps in, helping us understand these models, pinpoint their errors, and rectify them before any potential mishaps. Thus, interpretation is essential in fostering trust and ethical considerations in these models. And it’s worth noting that in the not-so-distant future, training models might move away from coding to more intuitive drag-and-drop interfaces. In this context, understanding machine learning models becomes an invaluable skill. Currently, there’s still a significant amount of coding involved in data preprocessing, exploration, model training, and deployment. And while this book is rich with Python examples, it’s not merely a coding guide removed from practical applications or the bigger picture. The book’s essence is to prioritize the why before the how when it comes to interpretable machine learning, as interpretation revolves around the question of why. Therefore, most chapters of this book kickoff by outlining a mission (the why) and then delving into the methodology (the how). The aim is to achieve the mission using the techniques discussed in the chapter, with an emphasis on understanding the results. The chapters wrap up by pondering on the practical insights gained from the exercises. The structure of this book is progressive, starting from the basics and moving to more intricate topics. The tools utilized in this book are open source and are products of leading research institutions like Microsoft, Google, and IBM. Even though interpretability is a vast research field with many aspects still in the developmental phase, this book doesn’t aim to cover it all. Its primary goal is to delve deeply into a selection of interpretability tools, making it beneficial for those working in the machine learning domain. The book’s initial section introduces interpretability, emphasizing its significance in the business landscape and discussing its core components and challenges. The subsequent section provides a detailed overview of various interpretation techniques and their applications, whether it’s for classification, regression, tabular data, time series, images, or text. In the final section, readers will engage in practical exercises on model tuning and data training for interpretability, focusing on simplifying models, addressing biases, setting constraints, and ensuring dependability. By the book’s conclusion, readers will be adept at using interpretability techniques to gain deeper insights into machine learning models.
این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.
نظرات کاربران