Descripción
Resuelva los modelos de caja negra en sus aplicaciones de IA para hacerlas justas, confiables y seguras. Familiarícese con los principios y herramientas básicas para implementar la IA Explicable (XAI) en sus aplicaciones e interfaces de informes.
Características clave
- Aprenda herramientas y técnicas de IA explicables para procesar resultados de IA confiables
- Comprenda cómo detectar, manejar y evitar problemas comunes con la ética y los sesgos de la IA
- Integre IA justa en aplicaciones populares y herramientas de informes para generar valor comercial utilizando Python y herramientas asociadas
Descripción del libro
Traducir eficazmente los conocimientos de la IA a las partes interesadas del negocio requiere una planificación, diseño y opciones de visualización cuidadosos. Describir el problema, el modelo y las relaciones entre las variables y sus hallazgos suele ser sutil, sorprendente y técnicamente complejo.
Hands-On Explainable AI (XAI) with Python le hará trabajar con proyectos específicos de Python de aprendizaje automático que están estratégicamente organizados para mejorar su comprensión del análisis de resultados de IA. Construirá modelos, interpretará resultados con visualizaciones e integrará herramientas de informes de XAI y diferentes aplicaciones.
Construirá soluciones XAI en Python, TensorFlow 2, la plataforma XAI de Google Cloud, Google Colaboratory y otros frameworks para abrir la caja negra de los modelos de aprendizaje automático. El libro le presentará varias herramientas XAI de código abierto para Python que se pueden utilizar a lo largo del ciclo de vida del proyecto de aprendizaje automático.
Aprenderá a explorar los resultados del modelo de aprendizaje automático, revisar las variables influyentes clave y las relaciones entre variables, detectar y manejar problemas de sesgo y ética, e integrar predicciones usando Python junto con el soporte de la visualización de modelos de aprendizaje automático en interfaces explicables para el usuario.
Al final de este libro de IA, tendrá una comprensión profunda de los conceptos centrales de XAI.
Lo que aprenderá
- Planificar XAI a través de las diferentes etapas del ciclo de vida del aprendizaje automático
- Estimar las fortalezas y debilidades de las aplicaciones XAI de código abierto populares
- Examinar cómo detectar y manejar problemas de sesgo en los datos de aprendizaje automático
- Revisar las consideraciones éticas y las herramientas para abordar problemas comunes en los datos de aprendizaje automático
- Compartir las mejores prácticas de diseño y visualización de XAI
- Integrar resultados de IA explicables utilizando modelos de Python
- Utilizar kits de herramientas XAI para Python en los ciclos de vida del aprendizaje automático para resolver problemas comerciales
A quién va dirigido este libro
Este libro no es una introducción a la programación de Python o a los conceptos de aprendizaje automático. Debe tener algunos conocimientos fundamentales y/o experiencia con bibliotecas de aprendizaje automático como scikit-learn para aprovechar al máximo este libro.
Algunos de los lectores potenciales de este libro incluyen:
- Profesionales que ya usan Python para ciencia de datos, aprendizaje automático, investigación y análisis
- Analistas de datos y científicos de datos que desean una introducción a las herramientas y técnicas de IA explicables
- Gerentes de proyectos de IA que deben enfrentar las obligaciones contractuales y legales de la explicabilidad de la IA para la fase de aceptación de sus aplicaciones
Autor: Denis Rothman
Editorial: Packt Publishing
Publicado: 30/07/2020
Páginas: 454
Tipo de encuadernación: Tapa blanda
Peso: 1.71lbs
Tamaño: 9.25h x 7.50w x 0.92d
ISBN13: 9781800208131
ISBN10: 1800208138
Categorías BISAC:
- Informática | Teoría de Máquinas
- Informática | Ciencia de Datos | Redes Neuronales
- Informática | Inteligencia Artificial | General
Este título no es retornable