Descripción
Comprenda los aspectos clave y los desafíos de la interpretabilidad del aprendizaje automático, aprenda a superarlos con métodos de interpretación y utilícelos para construir modelos más justos, seguros y confiables
Características clave:
- Aprenda a extraer conocimientos fáciles de entender de cualquier modelo de aprendizaje automático.
- Familiarícese con las técnicas de interpretabilidad para construir modelos más justos, seguros y confiables.
- Mitigue los riesgos en los sistemas de IA antes de que tengan implicaciones más amplias aprendiendo a depurar modelos de caja negra.
Descripción del libro:
¿Desea comprender sus modelos y mitigar los riesgos asociados con predicciones deficientes utilizando la interpretación del aprendizaje automático (ML)? El aprendizaje automático interpretable con Python puede ayudarle a trabajar de manera efectiva con los modelos de ML.
La primera sección del libro es una guía para principiantes sobre la interpretabilidad, que cubre su relevancia en los negocios y explora sus aspectos y desafíos clave. Se centrará en cómo funcionan los modelos de caja blanca, los comparará con los modelos de caja negra y de caja de vidrio, y examinará su equilibrio. La segunda sección le pondrá al día con una amplia gama de métodos de interpretación, también conocidos como métodos de IA explicable (XAI), y cómo aplicarlos a diferentes casos de uso, ya sea para clasificación o regresión, para datos tabulares, series temporales, imágenes o texto. Además del código paso a paso, el libro también ayuda al lector a interpretar los resultados del modelo utilizando ejemplos. En la tercera sección, se familiarizará con la optimización de modelos y datos de entrenamiento para la interpretabilidad mediante la reducción de la complejidad, la mitigación de sesgos, la colocación de barreras de seguridad y la mejora de la fiabilidad. Los métodos que explorará aquí van desde la selección de características de última generación y los métodos de eliminación de sesgos de conjuntos de datos hasta las restricciones monotónicas y el reentrenamiento adversario.
Al final de este libro, podrá comprender mejor los modelos de ML y mejorarlos mediante la optimización de la interpretabilidad.
Lo que aprenderá:
- Reconocer la importancia de la interpretabilidad en los negocios.
- Estudiar modelos intrínsecamente interpretables como modelos lineales, árboles de decisión y Naïve Bayes.
- Dominar la interpretación de modelos con métodos agnósticos del modelo.
- Visualizar cómo funciona un clasificador de imágenes y qué aprende.
- Comprender cómo mitigar la influencia del sesgo en los conjuntos de datos.
- Descubrir cómo hacer que los modelos sean más confiables con la robustez adversaria.
- Utilizar restricciones monotónicas para crear modelos más justos y seguros.
A quién va dirigido este libro:
Este libro está dirigido a científicos de datos, desarrolladores de aprendizaje automático y administradores de datos que tienen una responsabilidad cada vez más crítica de explicar cómo funcionan los sistemas de IA que desarrollan, su impacto en la toma de decisiones y cómo identifican y gestionan el sesgo. Se espera un conocimiento práctico del aprendizaje automático y del lenguaje de programación Python.
Autor: Serg Masís
Editorial: Packt Publishing
Publicado: 26/03/2021
Páginas: 736
Tipo de encuadernación: Tapa blanda
Peso: 2.74 libras
Tamaño: 9.25 de alto x 7.50 de ancho x 1.47 de profundidad
ISBN13: 9781800203907
ISBN10: 180020390X
Categorías BISAC:
- Computadoras | Inteligencia Artificial | Sistemas Expertos
- Computadoras | Ciencia de Datos | Redes Neuronales
- Computadoras | Simulación por Computadora
Este título no es retornable