可解释人工智能: 构建可解释机器学习系统，330页pdf

https://www.manning.com/books/interpretable-ai

随着图像识别、自然语言理解和桌面游戏等领域的突破，人工智能和机器学习正在彻底改变医疗、制造、零售和金融等各个行业。随着复杂的机器学习模型被部署到生产中，理解它们变得非常重要。缺乏深刻的理解会导致模型传播偏见，我们在刑事司法、政治、零售、面部识别和语言理解中都见过这样的例子。所有这些都对信任产生不利影响，从我的经验来看，这是企业抵制在整个企业部署人工智能的主要原因之一。解释人工智能是研究和行业的一个热门话题，因为现代机器学习算法是黑盒，没有人真正了解它们是如何工作的。此外，在GDPR的“解释权”下，欧盟现在有解释人工智能的规定。因此，对于人工智能从业者来说，可解释性人工智能是一个非常重要的话题。有一些资源可以与这个活跃的研究领域保持同步，如调研论文、博客文章和一些书籍，但没有一个单一的资源涵盖所有对实践者有价值的重要技术。也没有关于如何实现这些尖端技术的实用指南。本书旨在通过提供对可解释性技术的简化解释，以及如何在Python中使用开放的公共数据集和库实现这些技术的实用指南，来填补这一空白。本书将展示代码片段，并分享源代码，以便您跟随和再现书中的图形和视觉效果。这本书旨在为您提供实现和部署最先进的可解释性技术的实用技巧。具备概率论、统计学、线性代数、机器学习和Python的基本知识。

构建一个健壮的人工智能系统的过程

本书共分四部分，共九章。第一部分向你介绍可解释AI的世界:

• 第一章涵盖了不同类型的AI系统，定义了可解释性及其重要性，讨论了白盒和黑盒模型，并解释了如何构建可解释性AI系统。
• 第二章介绍了白盒模型以及如何解释它们，特别关注线性回归、决策树和广义可加模型(GAMs)。

第2部分关注黑盒模型，并理解模型如何处理输入并达到最终预测:

• 第3章介绍了一种被称为树集合的黑盒模型，以及如何使用全局范围内的事后模型不可知方法来解释它们，例如部分依赖图(PDP)和特征交互图。
• 第4章涵盖深度神经网络，以及如何使用局部范围内的事后模型不可知性方法来解释它们，如局部可解释模型不可知性解释(LIME)， SHapley加性解释(SHAP)和锚定。
• 第5章涵盖了卷积神经网络，以及如何使用显著性映射来可视化模型的重点，特别是关注诸如梯度、引导反向传播、梯度加权类激活映射(Grad-CAM)、引导Grad-CAM和平滑梯度(SmoothGrad)等技术。

第3部分继续关注黑盒模型，但转向理解它们学到了什么特征或表示:

• 第6章涵盖了卷积神经网络，以及如何解剖它们，以理解由神经网络中的中间或隐藏层学习的数据表示。
• 第7章涵盖了语言模型，以及如何使用主成分分析(PCA)和t分布随机邻居嵌入(t-SNE)等技术来可视化学习的高维表示。

第四部分关注公平和偏见，为可解释AI铺平道路:

• 第8章涵盖了公平的各种定义，以及检查模型是否有偏差的方法。它还讨论了减少偏差的技术，以及使用数据表记录数据集的标准化方法，这将有助于提高与AI系统的利益相关者和用户的透明度和问责性。
• 第9章通过理解如何构建这样的系统，为可解释的AI铺平了道路，还包括使用反事实的例子进行对比解释。

完整代码传送门： manning: https://www.manning.com/books/interpretable-ai GitHub: http://mng.bz/kbdz