专栏首页小小挖掘机《可解释机器学习》中文版重磅开源!这位复旦小哥太给力了

《可解释机器学习》中文版重磅开源!这位复旦小哥太给力了

前言

我曾经介绍过一本不错的书籍:《A Gudie for Making Black Box Models Explainable》,中文译为《可解释机器学习》。这本书是关于使机器学习模型和他们的决定变得可解释。

新冠疫情的出现,让许多AI医疗技术浮出水面。

但是AI一直黑箱问题存在,如果AI对过程都不能做到可解释,又怎么能放心让它来诊断病患呢。而关于机器学习可解释问题的书籍少之又少。

最近,一位来自复旦大学的研究生朱明超,将一本少有的书《Interpretable Machine Learning》(可解释机器学习)翻译成了中文。

这本书最初是由德国慕尼黑大学博士Christoph Molnar耗时两年完成的,长达250页,是仅有的一本系统介绍可解释性机器学习的书籍。

朱明超近期完成了这本书的翻译和校对工作,目前已经开源放到GitHub网页上。朱同学在翻译过程中还和原作者进行了多次讨论,中文版还得到了Christoph Molnar本人在Twiter上的推荐。

“可解释”是这本书的核心论题。作者认为,可解释性在机器学习甚至日常生活中都是相当重要的一个问题。建议机器学习从业者、数据科学家、统计学家和任何对使机器学习模型可解释的人阅读本书。

《可解释的机器学习》该书总共包含 7 章内容:

第一章:前言 第二章:可解释性 第三章:数据集 第四章:可解释的模型 第五章:模型无关方法 第六章:基于样本的解释 第七章:水晶球

Molnar表示,虽然数据集与黑盒机器学习解决了很多问题,但这不是最好的使用姿势,现在模型本身代替了数据成为了信息的来源,但可解释性可以提取模型捕捉到的额外信息。

当我们的日常生活中全都是机器和算法时,也需要可解释性来增加社会的接受度。毕竟要是连科学家都研究不透“黑盒”,怎样让普通人完全信任模型做出的决策呢?

这本书的重点是机器学习的可解释性。你可以从这本书中学习简单的、可解释的模型,如线性回归、决策树和决策规则等。

后面几章重点介绍了解释黑盒模型的模型无关的一般方法,如特征重要性和累积局部效应,以及用 Shapley 值和 LIME 解释单个实例预测。

对各种解释方法进行了深入的解释和批判性的讨论。它们是如何工作的?优点和缺点是什么?如何解释它们的输出?本书使你能够选择并正确应用最适合你的机器学习项目的解释方法。

这本书结合了各类现实生活中的例子来介绍相关的概念,同时搭配参考链接帮助读者进一步学习了解。

另外朱同学的GitHub上还一直在坚持翻译Goodfellow的《机器学习》,还在翻译中配上了自己编写的Python代码供参考。有兴趣的同学也可以顺带去参考学习。

最后附上《可解释机器学习》一书的项目地址: https://github.com/MingchaoZhu/InterpretableMLBook

本文分享自微信公众号 - 小小挖掘机(wAIsjwj)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-05-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • [学习资源分享]-3Blue1Brown数学课程、李宏毅《深度学习人类语言处理》等

    之前小编就整理过3Blue1Brown推出的《线性代数的本质》课程的学习笔记,除此之外,还有《微积分的本质》、《深度学习》等系列的课程。3Blue1Brown推...

    石晓文
  • 《李宏毅机器学习完整笔记》发布,Datawhale开源项目LeeML-Notes

    李宏毅老师的机器学习视频是机器学习领域经典的中文视频之一,也被称为中文世界中最好的机器学习视频。李老师以幽默风趣的上课风格让很多晦涩难懂的机器学习理论变得轻松易...

    石晓文
  • 漫画带你图解强化学习

    最近五年,是强化学习(Reinforcement Learning, RL)爆发的时期。RL是机器学习大家族中的一大类, 使用强化学习能够让机器学着如何在环境中...

    石晓文
  • 机器学习产品宝典:这是谷歌内部总结的七大要点

    李林 若朴 编译整理 量子位 报道 | 公众号 QbitAI 产品经理新入机器学习坑,应该注意什么? Google的用户体验设计团队总结了7点,量子位编译如下:...

    量子位
  • 人工智能时代,如何做设计?

    Android 开发者
  • 机器学习成才之路:这是一条GitHub高赞的学习路径

    曾有多少次,当你试图接近某一个新主题或领域时,会感到困惑、迷失方向并且无「路」可循。要如何确保你能够深刻理解并且获得运用它的能力呢?当然是借鉴其他人的成熟路径,...

    机器之心
  • 【应用】机器学习商业应用入门及七个实例

    机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或...

    小莹莹
  • 什么是机器学习?有哪些算法和分类?又有哪些应用?看完你就懂了

    导读:本文从大数据的概念讲起,主要介绍机器学习的基础概念,以及机器学习的发展过程,用一个形象的例子讲解大数据生态中的机器学习,并按照传统机器学习(包括分类、聚类...

    华章科技
  • 好书|第一章:The Machine Learning Landscape

    【需要英文电子书籍和配套的EPUB阅读器的朋友,请把这篇文章分享到您的朋友圈,添加我的个人微信:luqin360,截图给我,我会发给您;若是需要一起参与读书和讨...

    陆勤_数据人网
  • 五个给机器学习和数据科学入门者的学习建议

    两年前,我开始在网上自学机器学习,并且通过 YouTube 和博客分享了我的学习过程。我并不知道我在做什么,在决定开始学习机器学习之前我从没写过代码。

    机器之心

扫码关注云+社区

领取腾讯云代金券