国产91青青成人a在线/在线视频成人/aaa成人永久在线观看视频/深夜草莓视频app

可解釋AI(Interpretable AI)將教會你識別模型所學習的模式及其產生結果的原因。通過閱讀《可解釋AI實戰（PyTorch版）》，你將掌握一些用于解釋白盒模型(如線性回歸和廣義可加模型)的方法，以及一些用于解釋復雜深度學習模型的方法。可解釋AI是一個快速發展的領域，本書將該領域的前沿研究簡化為你可以在Python中實現的實際方法。
主要內容
● 解釋AI模型的技術
● 最大限度地減少錯誤、偏見、數據泄露和概念漂移
● 度量公平性和減少偏見
● 構建符合GDPR的AI系統

對于深度學習模型，常常很難解釋其工作方式，即使是創建這些模型的數據科學家也不例外。提高機器學習模型的透明度和可解釋性可以最大限度地減少錯誤，減少意想不到的偏見，增加用戶對結果的信任。《可解釋AI實戰（PyTorch版）》講述了探索黑盒模型內部的技術，提供了設計可靠算法的方法，并揭示了導致結果偏差的各種關鍵因素。

關 于 本 書

本書旨在幫助你實施最新的可解釋AI技術，以構建公平且可解釋的AI系統。可解釋AI是當今AI研究中的熱門話題，但只有少數資源和指南涵蓋了所有重要技術，這些技術對實踐者來說非常有價值。本書旨在填補這一空白。
本書讀者對象
本書既適合那些有興趣深入了解其模型工作原理以及如何構建公平且無偏見模型的數據科學家和工程師，又適合想要了解如何讓 AI 模型確保公平和保護業務用戶、品牌的架構師和業務利益相關者。
本書內容
本書內容分為4部分，共9章。
第Ⅰ部分介紹可解釋AI的基礎知識。
● 第1章涵蓋了各種類型的AI系統，定義了可解釋AI及其重要性，討論了白盒和黑盒模型，并解釋了如何構建可解釋AI系統。
● 第 2 章涵蓋了白盒模型以及如何解釋它們，特別關注了線性回歸、決策樹和廣義可加模型(Generalized Additive Model，GAM)。
第Ⅱ部分關注黑盒模型，講述它們如何處理輸入并得出最終預測。
● 第 3 章涵蓋了一種名為集成樹的黑盒模型，以及全局與模型無關的可解釋方法：部分依賴圖(Partial Dependence Plot，PDP)和特征交互圖。
● 第 4 章涵蓋了深度神經網絡，以及局部與模型無關的可解釋方法：局部與模型無關解釋(Local Interpretable Model-agnostic Explanations，LIME)、沙普利可加性解釋(SHapley Additive exPlanations，SHAP)、錨定。
● 第5章涵蓋了卷積神經網絡，并使用局部、建模后、模型無關的可解釋方法(如梯度、導向反向傳播、梯度加權類別激活圖(Grad-CAM)、導向梯度加權類別激活圖和平滑梯度等)。
第Ⅲ部分繼續關注黑盒模型，但主要解釋它們如何學習特征或表示。
● 第 6 章涵蓋了卷積神經網絡，以及如何通過剖析它們來了解學習到的數據表示技巧。
● 第7章涵蓋了語言模型，以及使用諸如主成分分析(PCA)和t分布隨機近鄰嵌入(t-SNE)等技術將其高維表示可視化的方法。
第Ⅳ部分關注公平和偏見，并講述了XAI系統。
● 第 8 章涵蓋了各種公平和偏見定義以及檢查模型是否有偏見的方法，并討論了如何減輕偏見和標準化數據以使用數據表來提高透明度和改善問責制的方法。
● 第9章涵蓋了XAI，以及使用反事實樣本進行對比解釋。
本書代碼
本書包含許多源代碼示例，大多數情況下，這些源代碼示例都以等寬字體顯示，以便與本書的普通文本區分開來。本書所有代碼示例都可通過掃描封底的二維碼下載。

　　Ajay Thampi 在機器學習領域具有扎實的基礎。他的博士研究主要專注于信號處理和機器學習。他發表過許多關于強化學習、凸優化和傳統機器學習技術應用于5G移動網絡的論文。Ajay 目前在一家大型科技公司擔任機器學習工程師，主要關注負責任的AI和AI公平性。在此之前，Ajay是微軟的高級數據科學家，負責為各行各業(如制造業、零售業和金融業)的客戶部署復雜的人工智能解決方案。

第Ⅰ部分 可解釋基礎知識
第1章 導論 3
1.1　Diagnostics AIAI系統示例 3
1.2 機器學習系統的類型 4
1.2.1　數據的表示 4
1.2.2　監督學習 6
1.2.3　無監督學習 7
1.2.4　強化學習 7
1.2.5　最適合Diagnostics AI的機器學習系統 8
1.3　構建Diagnostics AI 8
1.4　Diagnostics 的主要問題 10
1.4.1　數據泄露 10
1.4.2　偏見 10
1.4.3　監管不合規 11
1.4.4　概念漂移 11
1.5　如何解決這些主要問題 11
1.6　Interpretability與Explainability 13
1.7　你將在本書學到什么 15
1.7.1　本書使用的工具 17
1.7.2　閱讀本書所需的基礎知識 17
1.8　本章小結 18
第2章 白盒模型 19
2.1　白盒模型概述 20
2.2　Diagnostics AI示例：預測糖尿病進展情況 21
2.3　線性回歸 24
2.3.1　解釋線性回歸 27
2.3.2　線性回歸的局限性 29
2.4　決策樹 30
2.4.1　解釋決策樹 32
2.4.2　決策樹的局限性 35
2.5　廣義可加模型(GAM) 36
2.5.1　回歸樣條 38
2.5.2　GAM用于Diagnostics AI預測糖尿病進展 42
2.5.3　解釋GAM 43
2.5.4　GAM的局限性 46
2.6　展望黑盒模型 46
2.7　本章小結 48

第Ⅱ部分 解釋模型處理
第3章 全局與模型無關可解釋技術 51
3.1　高中生成績預測器 52
3.2　集成樹 57
3.3　解釋隨機森林 63
3.4　模型無關方法：全局可解釋 65
3.4.1　部分依賴圖 66
3.4.2　特征的相互作用 71
3.5　本章小結 77
第4章 局部與模型無關可解釋技術 79
4.1　Diagnostics AI示例：乳腺癌診斷 80
4.2　探索性數據分析 81
4.3　深度神經網絡 84
4.3.1　數據準備 88
4.3.2　訓練和評估DNN 90
4.4　解釋DNN 92
4.5　LIME 94
4.6　SHAP 103
4.7　錨定 106
4.8　本章小結 110
第5章 顯著圖 113
5.1　Diagnostics AI示例：浸潤性導管癌檢測 114
5.2　探索性數據分析 114
5.3　卷積神經網絡 117
5.3.1　數據準備 121
5.3.2　訓練和評估CNN 123
5.4　解釋CNN 126
5.4.1　概率分布圖 126
5.4.2　LIME 127
5.4.3　視覺歸因法 132
5.5　標準反向傳播 134
5.6　導向反向傳播 138
5.7　其他基于梯度的方法 140
5.8　Grad-CAM和導向Grad-CAM 141
5.9　我應該使用哪種歸因法 145
5.10　本章小結 147

第Ⅲ部分 解釋模型表示
第6章 理解層和單元 151
6.1　視覺理解 152
6.2　回顧卷積神經網絡 153
6.3　神經網絡剖析框架 155
6.3.1　概念定義 156
6.3.2　網絡探測 157
6.3.3　量化對齊 160
6.4　解釋層和單元 160
6.4.1　運行網絡剖析 161
6.4.2　概念檢測器 165
6.4.3　訓練任務的概念檢測器 171
6.4.4　可視化概念檢測器 176
6.4.5　網絡剖析的局限性 179
6.5　本章小結 179
第7章 理解語義相似性 181
7.1　情感分析 182
7.2　探索性數據分析 183
7.3　神經網絡詞嵌入 187
7.3.1　獨熱編碼 187
7.3.2　Word2Vec 188
7.3.3　GloVe嵌入 191
7.3.4　情感分析模型 193
7.4　解釋語義相似性 194
7.4.1　度量相似性 196
7.4.2　主成分分析(PCA) 199
7.4.3　t分布隨機近鄰嵌入(t-SNE) 204
7.4.4　驗證語義相似性的可視化 208
7.5　本章小結 210

第Ⅳ部分 公平和偏見
第8章 公平和減少偏見 213
8.1　成年人收入預測 215
8.1.1　探索性數據分析 216
8.1.2　預測模型 218
8.2 公平性概念 221
8.2.1　人口平等 222
8.2.2　機會和幾率平等 225
8.2.3　其他公平性概念 228
8.3　可解釋和公平性 229
8.3.1　源自輸入特征的歧視 229
8.3.2　源自表示的歧視 233
8.4　減少偏見 234
8.4.1　無意識公平 234
8.4.2　通過重新加權糾正標注偏見 235
8.5　數據集的數據表 238
8.6　本章小結 240
第9章 XAI 243
9.1 XAI概述 245
9.2　反事實說明 247
9.3　本章小結 251
附錄A 設置環境 253
A.1　Python代碼 253
A.2　Git代碼庫 253
A.3　Conda環境 253
A.4　Jupyter notebooks 254
A.5　Docker 254
附錄B PyTorch 257
B.1　什么是PyTorch 257
B.2　安裝PyTorch 257
B.3　張量 258
B.3.1　數據類型 259
B.3.2　CPU和GPU張量 260
B.3.3　運算 260
B.4 Dataset和DataLoader 261
B.5 建模 263
B.5.1　自動微分法 263
B.5.2　模型定義 265
B.5.3　訓練 267