Description
L’IA ne doit pas nécessairement être une boîte noire. Ces techniques pratiques aident à mettre en lumière le mystérieux fonctionnement interne de votre modèle. Rendez votre IA plus transparente et vous améliorerez la confiance dans vos résultats, lutterez contre les fuites de données et les biais et garantirez le respect des exigences légales.
Dans Interpretable AI, vous apprendrez
Pourquoi les modèles d’IA sont difficiles à interpréter
Interprétation des modèles de boîte blanche tels que la régression linéaire, les arbres de décision et les modèles additifs généralisés
Diagrammes de dépendance partielle, LIME, SHAP et Anchors, et d’autres techniques telles que la cartographie de saillance, la dissection de réseau et l’apprentissage représentationnel
Qu’est-ce que l’équité et comment atténuer les préjugés dans les systèmes d’IA
Mettre en œuvre des systèmes d’IA robustes et conformes au RGPD
L’IA interprétable ouvre la boîte noire de vos modèles d’IA. Il enseigne des techniques de pointe et les meilleures pratiques qui peuvent rendre interprétables même les systèmes d’IA complexes. Chaque méthode est facile à mettre en œuvre avec uniquement Python et des bibliothèques open source. Vous apprendrez à identifier quand vous pouvez utiliser des modèles intrinsèquement transparents et à atténuer l’opacité lorsque votre problème exige la puissance d’un modèle d’apprentissage profond difficile à interpréter.
À propos de la technologie
Il est souvent difficile d’expliquer le fonctionnement des modèles d’apprentissage profond, même pour les data scientists qui les créent. L’amélioration de la transparence et de l’interprétabilité des modèles d’apprentissage automatique minimise les erreurs, réduit les biais involontaires et augmente la confiance dans les résultats. Ce livre unique contient des techniques permettant d’examiner les modèles de « boîte noire », de concevoir des algorithmes responsables et de comprendre les facteurs à l’origine de résultats faussés.
À propos du livre
L’IA interprétable vous apprend à identifier les modèles que votre modèle a appris et pourquoi il produit ses résultats. Au fur et à mesure de votre lecture, vous découvrirez des approches spécifiques aux algorithmes, telles que l’interprétation de la régression et des modèles additifs généralisés, ainsi que des conseils pour améliorer les performances pendant l’entraînement. Vous explorerez également des méthodes d’interprétation de modèles complexes d’apprentissage en profondeur dans lesquels certains processus ne sont pas facilement observables. La transparence de l’IA est un domaine en évolution rapide, et ce livre simplifie la recherche de pointe sur les méthodes pratiques que vous pouvez mettre en œuvre avec Python.
Qu’y a-t-il à l’intérieur
- Techniques d’interprétation des modèles d’IA
- Contrecarrer les erreurs dues aux biais, aux fuites de données et à la dérive des concepts
- Mesurer l’équité et atténuer les préjugés
- Construire des systèmes d’IA conformes au RGPD
Sortie le 7/2022
Liens de téléchargement
Téléchargement direct
IA interprétable, Video Edition.zip (1,3 Go) | Miroir