【2023新书】可解释的AI谱系,使用Python实现模型可解释性和可解释性的解决方案数据派THU共 513字,需浏览 2分钟 ·2023-03-04 09:17来源:专知本文为书籍介绍,建议阅读5分钟本书采用问题解决的方法来解释机器学习模型及其算法。理解如何使用可解释人工智能(XAI)库,并建立对人工智能和机器学习模型的信任。本书采用问题解决的方法来解释机器学习模型及其算法。本书从监督学习线性模型的模型解释开始,包括分类和回归模型的特征重要性、部分依赖分析和影响数据点分析。接下来,介绍了使用非线性模型和最先进的框架(如SHAP值/分数和LIME)进行监督学习的方法。使用LIME和SHAP覆盖时间序列模型的可解释性,以及与自然语言处理相关的任务,如文本分类,ELI5的情感分析和不证明。本书以使用CAPTUM框架展示特征归因、神经元归因和激活归因的复杂模型分类、类回归神经网络和深度学习模型作为结尾。读完本书后,你将理解人工智能和机器学习模型,并能够将这些知识应用到实践中,为你的分析带来更高的准确性和透明度。https://link.springer.com/book/10.1007/978-1-4842-9029-3你将学到什么?使用Python创建代码片段并解释机器学习模型利用最新代码和敏捷实现的深度学习模型构建、训练和解释可扩展的神经网络模型理解神经网络模型的不同变体浏览 18点赞 评论 收藏 分享 手机扫一扫分享举报评论图片表情视频评价全部评论推荐 神经网络的可解释性综述!Datawhale0神经网络的可解释性综述!机器学习实验室0神经网络的可解释性综述!人工智能与算法学习0神经网络的可解释性综述!程序员大白0综述 | 神经网络的可解释性机器学习与生成对抗网络0神经网络的可解释性综述!AI算法与图像处理0神经网络的可解释性综述!机器学习算法与Python实战0深度学习的可解释性!Datawhale0关于机器学习模型的可解释性算法!小白学视觉0机器学习模型的可解释性算法汇总!机器学习算法与Python实战0点赞 评论 收藏 分享 手机扫一扫分享举报