Descripción
Una inmersión profunda en los aspectos clave y los desafíos de la interpretabilidad del aprendizaje automático utilizando un kit de herramientas completo, que incluye SHAP, importancia de características e inferencia causal, para construir modelos más justos, seguros y confiables.
La compra del libro impreso o Kindle incluye un eBook gratuito en formato PDF.
Características clave:
- Interpretar datos del mundo real, incluidos datos de enfermedades cardiovasculares y las puntuaciones de reincidencia de COMPAS
- Cree su kit de herramientas de interpretabilidad con métodos globales, locales, agnósticos al modelo y específicos del modelo
- Analice y extraiga información de modelos complejos, desde CNN hasta BERT y modelos de series temporales
Descripción del libro:
Interpretable Machine Learning with Python, Second Edition, pone de manifiesto los conceptos clave de la interpretación de modelos de aprendizaje automático mediante el análisis de datos del mundo real, lo que le proporciona una amplia gama de habilidades y herramientas para descifrar los resultados de incluso los modelos más complejos.
Cree su kit de herramientas de interpretabilidad con varios casos de uso, desde la predicción de retrasos en vuelos hasta la clasificación de residuos y las puntuaciones de evaluación de riesgos de COMPAS. Este libro está lleno de técnicas útiles, introduciéndolas en el caso de uso correcto. Aprenda métodos tradicionales, como la importancia de las características y los gráficos de dependencia parcial, hasta gradientes integrados para interpretaciones de PNL y métodos de atribución basados en gradientes, como los mapas de saliencia.
Además del código paso a paso, practicará la optimización de modelos y datos de entrenamiento para la interpretabilidad al reducir la complejidad, mitigar el sesgo, establecer límites de seguridad y mejorar la confiabilidad.
Al final del libro, tendrá confianza para abordar los desafíos de interpretabilidad con modelos de caja negra utilizando datos tabulares, de lenguaje, de imagen y de series de tiempo.
Lo que aprenderá:
- Progrese de técnicas básicas a avanzadas, como la inferencia causal y la cuantificación de la incertidumbre
- Desarrolle sus habilidades desde el análisis de modelos lineales y logísticos hasta modelos complejos, como CatBoost, CNN y transformadores de PNL
- Use restricciones monotónicas y de interacción para crear modelos más justos y seguros
- Comprender cómo mitigar la influencia del sesgo en los conjuntos de datos
- Aprovechar la priorización de factores de análisis de sensibilidad y la fijación de factores para cualquier modelo
- Descubra cómo hacer que los modelos sean más confiables con la robustez adversarial
Para quién es este libro:
Este libro es para científicos de datos, desarrolladores de aprendizaje automático, ingenieros de aprendizaje automático, ingenieros de MLOps y administradores de datos que tienen una responsabilidad cada vez más crítica de explicar cómo funcionan los sistemas de inteligencia artificial que desarrollan, su impacto en la toma de decisiones y cómo identifican y gestionan el sesgo. También es un recurso útil para entusiastas del ML autodidactas y principiantes que quieran profundizar en el tema, aunque se necesita un buen dominio del lenguaje de programación Python para implementar los ejemplos.
Autor: Serg Masís
Editorial: Packt Publishing
Publicado: 31/10/2023
Páginas: 606
Tipo de encuadernación: Tapa blanda
Peso: 2.26 libras
Tamaño: 9.25 alto x 7.50 ancho x 1.22 profundidad
ISBN13: 9781803235424
ISBN10: 180323542X
Categorías BISAC:
- Informática | Inteligencia Artificial | Sistemas Expertos
- Informática | Ciencia de Datos | Redes Neuronales
- Informática | Simulación por Computadora
Este título no es retornable