新书速递——《可解释AI实战(PyTorch版)》

本书旨在帮助你实施最新的可解释AI技术,以构建公平且可解释的AI系统。可解释AI是当今AI研究中的热门话题,但只有少数资源和指南涵盖了所有重要技术,这些技术对实践者来说非常有价值。本书旨在填补这一空白。

本书读者对象

本书既适合那些有兴趣深入了解其模型工作原理以及如何构建公平且无偏见模型的数据科学家和工程师,又适合想要了解如何让 AI 模型确保公平和保护业务用户、品牌的架构师和业务利益相关者。

本书内容

本书内容分为4部分,共9章。

第Ⅰ部分介绍可解释AI的基础知识。

● 第1章涵盖了各种类型的AI系统,定义了可解释AI及其重要性,讨论了白盒和黑盒模型,并解释了如何构建可解释AI系统。

● 第 2 章涵盖了白盒模型以及如何解释它们,特别关注了线性回归、决策树和广义可加模型(Generalized Additive Model,GAM)。

第Ⅱ部分关注黑盒模型,讲述它们如何处理输入并得出最终预测。

● 第 3 章涵盖了一种名为集成树的黑盒模型,以及全局与模型无关的可解释方法:部分依赖图(Partial Dependence Plot,PDP)和特征交互图。

● 第 4 章涵盖了深度神经网络,以及局部与模型无关的可解释方法:局部与模型无关解释(Local Interpretable Model-agnostic Explanations,LIME)、沙普利可加性解释(SHapley Additive exPlanations,SHAP)、锚定。

● 第5章涵盖了卷积神经网络,并使用局部、建模后、模型无关的可解释方法(如梯度、导向反向传播、梯度加权类别激活图(Grad-CAM)、导向梯度加权类别激活图和平滑梯度等)。

第Ⅲ部分继续关注黑盒模型,但主要解释它们如何学习特征或表示。

● 第 6 章涵盖了卷积神经网络,以及如何通过剖析它们来了解学习到的数据表示技巧。

● 第7章涵盖了语言模型,以及使用诸如主成分分析(PCA)和t分布随机近邻嵌入(t-SNE)等技术将其高维表示可视化的方法。

第Ⅳ部分关注公平和偏见,并讲述了XAI系统。

● 第 8 章涵盖了各种公平和偏见定义以及检查模型是否有偏见的方法,并讨论了如何减轻偏见和标准化数据以使用数据表来提高透明度和改善问责制的方法。

● 第9章涵盖了XAI,以及使用反事实样本进行对比解释。

本书代码

本书包含许多源代码示例,大多数情况下,这些源代码示例都以等宽字体显示,以便与本书的普通文本区分开来。本书所有代码示例都可通过扫描封底的二维码下载。

相关推荐
Blossom.1182 分钟前
基于深度学习的医学图像分析:使用PixelRNN实现医学图像超分辨率
c语言·人工智能·python·深度学习·yolo·目标检测·机器学习
摘星编程7 分钟前
MCP革命:Anthropic如何重新定义AI与外部世界的连接标准
人工智能·ai·anthropic·mcp·ai连接标准
陈敬雷-充电了么-CEO兼CTO8 分钟前
从游戏NPC到手术助手:Agent AI重构多模态交互,具身智能打开AGI新大门
人工智能·深度学习·算法·chatgpt·重构·transformer·agi
都叫我大帅哥16 分钟前
深度学习中的"火眼金睛":卷积神经网络(CNN)终极指南
python·深度学习
都叫我大帅哥19 分钟前
幽默深度指南:LangChain中的RunnableParallel - 让AI任务像交响乐团般协同工作
python·langchain·ai编程
测试者家园29 分钟前
Browser-Use在UI自动化测试中的应用
自动化测试·软件测试·人工智能·llm·ui自动化测试
liliangcsdn31 分钟前
python 12 install jupyter时zmq.h或libzmq报错处理
ide·python·jupyter
_Orch1d32 分钟前
初识无监督学习-聚类算法中的K-Means算法,从原理公式到简单代码实现再到算法优化
python·学习·算法·机器学习·numpy·kmeans·聚类
deephub36 分钟前
NSA稀疏注意力深度解析:DeepSeek如何将Transformer复杂度从O(N²)降至线性,实现9倍训练加速
人工智能·深度学习·transformer·deepseek·稀疏注意力
今天也要学习吖38 分钟前
AI生成图片工具分享!
人工智能·ai·ai绘画