返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • 店 可解释机器学习 黑盒模型可解释性理解指南 第2版 第二版 可解释性概念 模型 模型不可知方法书籍 电子工业出版社
  • 新商品上架
    • 作者: 无著 | 无编 | 无译
    • 出版社: 电子工业出版社
    • 出版时间:1
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    江莱图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 无著| 无编| 无译
    • 出版社:电子工业出版社
    • 出版时间:1
    • 页数:无
    • ISBN:9787121490149
    • 版权提供:电子工业出版社

    商品参数

    机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力,但仍面临一大障碍——计算机无法解释其预测结果。因此,本书旨在阐明如何使机器学习模型及其决策具有可解释性。

    《可解释机器学习:黑盒模型可解释性理解指南(第2版)》探索了可解释性的概念,介绍了许多简单的可解释模型,包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法,用于解释黑盒模型(如特征重要性和累积局部效应),以及用Shapley值和局部代理模型解释单个实例预测。此外,本书介绍了深度神经网络的可解释性方法。

    《可解释机器学习:黑盒模型可解释性理解指南(第2版)》深入解释并批判性地讨论所有的可解释方法,如它们在黑盒下的运作机制,各自的优缺点,如何解释它们的输出结果。本书将帮助读者选择并正确应用*适用于特定机器学习项目的解释方法。

    《可解释机器学习:黑盒模型可解释性理解指南(第2版)》适合机器学习从业者、数据科学家、统计学家及任何对机器学习模型可解释性感兴趣的读者阅读。 



    内容介绍

    大语言模型(LLMs)在自然语言处理(NLP)和其他领域展现出了显著的能力,但其可解释性问题仍然是一个挑战。研究机器学习的可解释性对于推动大模型技术发展有以下帮助:*一,提高模型的透明度和信任度;*二,促进算法的改进和创新;第三,降低模型出错的风险;第四,支持监管和合规;第五,促进跨学科合作。

    《可解释机器学习:黑盒模型可解释性理解指南(第2版)》作为较为早期的一部研究可解释机器学习的作品,为业界探索可解释方法提供了一定的帮助,*二版在原书基础上做了大幅更新和修改,相信读者阅读后会有新的启发。



    作者介绍

    作者介绍

    Christoph Molnar,可解释机器学习研究员,目前在德国慕尼黑大学统计研究所攻读博士学位,目标是让机器学习模型的决策更容易被人类理解。著作Interpretable Machine Learning 受到业界高度关注。

     

    译者介绍

    郭涛,主要从事人工智能、智能计算、概率与统计学、现代软件工程等前沿交叉研究。出版多部译作,包括《深度强化学习图解》《机器学习图解》《集成学习实战》。



    在线试读

    撰写这本书是我在临床研究领域担任统计学家工作之余的一个副业。我每周工作四天,“休息日”则从事副业。*终,可解释机器学习成了我的其中一项副业。起初,我并没有写书的打算。相反,我只是想了解更多关于可解释机器学习的资源,打算寻找好的资源来学习。鉴于机器学习的受欢迎程度和可解释性的重要性,我以为市面上会有大量关于这个主题的书籍和教程,但我只在互联网上零散找到了一些相关的研究论文和几篇博客文章,没有找到有价值的资料,更没有书籍、教程和综述性论文。这促使我撰写这本书,它应符合我在开始研究可解释机器学习时对学习资源的预期。我写这本书有两个目的:一是自己可以学习相关知识,二是与他人分享这些新知识。

    在德国慕尼黑大学,我获得了统计学学士和硕士学位。通过在线课程、竞赛、副业和专业活动,我自学了大部分机器学习知识。我的统计学背景为我进入机器学习领域奠定了良好的基础,尤其是在可解释性领域。在统计学中,建立可解释的回归模型是一个重要的方面。我在获得统计学硕士学位后,决定不再攻读博士学位,因为我不喜欢写硕士论文?写作给我的压力太大了。于是,我在一家金融科技初创公司担任数据科学家,并在临床研究领域担任统计学家。经过三年的工作,我开始写这本书。几个月后,我开始攻读可解释机器学习的博士学位。在写这本书的过程中,我重新找到了写作的乐趣,它激发了我对研究的热情。

    本书主要内容

    本书涵盖了许多与可解释机器学习有关的技术。在开篇的几章中,我介绍了可解释性的概念,并阐明了可解释性的必要性。书中甚到穿插了一些短篇故事!本书讨论了解释的不同属性,以及人类对内在可解释性的看法。然后,将讨论内在可解释性机器学习模型,例如回归模型和决策树。本书的重点是模型不可知方法。模型不可知意味着这些方法可以被应用于任何机器学习模型,并且是在模型训练完成后应用的。由于这种模型的独立性,模型不可知方法非常灵活且强大。有些技术可以解释如何得出单个实例的预测,例如局部代理模型解释和Shapley 值。其他技术则描述模型在整个数据集中的全局行为。在此处,将介绍部分依赖图、累积局部效应图、置换特征重要性等方法。还有一类是基于样本的特殊方法,这种方法将数据点作为解释。本书讨论的反事实解释、原型、有影响实例和对抗性示例都属于基于样本方法。本书结尾提出了对可解释机器学习未来发展趋势的展望。

    如何阅读本书

    读者无须通读整本书,可以只专注于自己*感兴趣的方法。建议从引言和关于可解释性的章节开始阅读。大多数章节都采用类似的结构,重点介绍一种解释方法:首先概述该方法,然后尝试直观地解释该方法,而不依赖数学公式,*后研究该方法的理论,深入了解其工作原理。此处没有捷径,因为理论中会包含公式。我认为,*好使用实例来了解新方法。因此,每种方法都将应用到真实数据中。有人说,统计学家是非常挑剔的人,我也不例外。我在每章的*后对相应解释方法的优缺点进行了批判性讨论。本书并不是单纯推广各种方法,而是旨在帮助读者确定*适合自己的方法。每章的*后一节讨论了可用的软件实现方法。

    许多科研和产业界人士都高度关注机器学习领域。有时,媒体过度夸大了机器学习,但实际上机器学习中有很多真实而有影响力的应用。机器学习是一种强大的产品、研究和自动化技术。如今,机器学习已广泛应用于检测欺诈性金融交易、电影推荐和图像分类等领域。机器学习模型的可解释性非常重要,它有助于开发人员调试和改进模型,建立对模型的信任,证明模型预测的合理性,并帮助他们获得新的见解。对机器学习可解释性需求的增加是机器学习应用频率增长的必然结果。本书已成为许多人的宝贵资源。教学人员使用本书向学生介绍可解释机器学习的概念。我收到了许多硕士生和博士生的电子邮件,他们告诉我本书是他们论文的起点和重要的参考资料之一。这本书帮助了生态学、金融学、心理学等领域的应用研究人员,他们使用机器学习来了解他们的数据。来自业界的数据科学家告诉我,他们在工作中使用了本书,并推荐给他们的同事。我很高兴地了解到许多人从这本书中受益,并成为模型解释方面的专家。

    我将本书推荐给那些打算了解一些技术的从业者,以此帮助他们的机器学习模型更具有可解释性。此外,对于专业学生和研究人员(以及对该主题感兴趣的其他任何人),本书也大有裨益。要从本书中受益,你应该对机器学习有基本的了解。此外,还有必要具备大学入学水平的数学能力,以便能够理解书中的理论和公式。不过,即使没有数学基础,也应该能够理解每章开头对方法的直观描述。

    希望你会喜欢这本书!


    1
    • 商品详情
    • 内容简介

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购