IA explicable práctica con Python: explicaciones de modelos de inteligencia artificial mediante bibliotecas, extensiones y marcos basados en Python

Aprenda los pormenores de las decisiones, los sesgos y la fiabilidad de los algoritmos de IA, y cómo dar sentido a estas predicciones. Este libro explora los llamados modelos de caja negra para aumentar la adaptabilidad, interpretabilidad y explicabilidad de las decisiones tomadas por los algoritmos de IA utilizando marcos como las librerías Python XAI, TensorFlow 2.0+, Keras y marcos personalizados utilizando envoltorios de Python.
Comenzará con una introducción a los conceptos básicos de la explicabilidad e interpretabilidad de modelos, las consideraciones éticas y los sesgos en las predicciones generadas por los modelos de IA. A continuación, examinará métodos y sistemas para interpretar modelos lineales, no lineales y de series temporales utilizados en la IA. El libro también cubrirá temas que van desde la interpretación hasta la comprensión de cómo un algoritmo de IA toma una decisión.

Además, aprenderá los modelos de conjunto más complejos, la explicabilidad y la interpretabilidad utilizando marcos como Lime, SHAP, Skater, ELI5, etc. Más adelante, se le presentará la explicabilidad de modelos para datos no estructurados, problemas de clasificación y tareas relacionadas con el procesamiento del lenguaje natural. Además, el libro examina las explicaciones contrafactuales para los modelos de IA. Practical Explainable AI Using Python arroja luz sobre los modelos de aprendizaje profundo, los sistemas expertos basados en reglas y las tareas de visión por computadora utilizando varios marcos de XAI.
Lo que aprenderá

• Revisar las diferentes formas de hacer un modelo de IA interpretable y explicable
• Examinar el sesgo y las buenas prácticas éticas de los modelos de IA
• Cuantificar, visualizar y estimar la fiabilidad de los modelos de IA
• Diseñar marcos para desentrañar los modelos de caja negra
• Evaluar la equidad de los modelos de IA
  
• Comprender los componentes básicos de la confianza en los modelos de IA
  
• Aumentar el nivel de adopción de la IA

A quién va dirigido este libro
Ingenieros de IA, científicos de datos y desarrolladores de software involucrados en la dirección de proyectos de IA/productos de IA.

Autor: Pradeepta Mishra
Editorial: Apress
Publicado: 15/12/2021
Páginas: 344
Tipo de encuadernación: Tapa blanda
Peso: 1.39lbs
Tamaño: 10.00h x 7.00w x 0.75d
ISBN13: 9781484271575
ISBN10: 1484271572
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Lenguajes | Python

Acerca del autor
Pradeepta Mishra es el Jefe de IA (Leni) en L&T Infotech (LTI), liderando un gran grupo de científicos de datos, expertos en lingüística computacional, expertos en aprendizaje automático y aprendizaje profundo en la construcción del producto de próxima generación, 'Leni', el primer científico de datos virtual del mundo. Fue galardonado como "Top - 40Under40DataScientists de la India" por Analytics India Magazine. Es autor de 4 libros, su primer libro ha sido recomendado en el centro HSLS de la Universidad de Pittsburgh, PA, EE. UU. Su último libro #PytorchRecipes fue publicado por Apress. Ha impartido una sesión magistral en la Conferencia Global de Ciencia de Datos 2018, EE. UU. Ha impartido una charla TEDx sobre "¿Pueden pensar las máquinas?", disponible en el canal oficial de YouTube de TEDx. Ha impartido más de 200 charlas técnicas sobre ciencia de datos, ML, DL, PNL e IA en varias universidades, encuentros, instituciones técnicas y foros comunitarios.

Este título no es retornable