Descripción
Comprenda los aspectos clave y los desafíos de la interpretabilidad del aprendizaje automático, aprenda a superarlos con métodos de interpretación y utilícelos para construir modelos más justos, seguros y confiables
Características clave:
- Aprenda a extraer información fácil de entender de cualquier modelo de aprendizaje automático
- Domine las técnicas de interpretabilidad para construir modelos más justos, seguros y confiables
- Mitigue los riesgos en los sistemas de IA antes de que tengan implicaciones más amplias aprendiendo a depurar modelos de caja negra
Descripción del libro:
¿Desea comprender sus modelos y mitigar los riesgos asociados con las predicciones deficientes utilizando la interpretación del aprendizaje automático (ML)? El aprendizaje automático interpretable con Python puede ayudarlo a trabajar eficazmente con modelos de ML.
La primera sección del libro es una guía para principiantes sobre la interpretabilidad, que cubre su relevancia en los negocios y explora sus aspectos y desafíos clave. Se centrará en cómo funcionan los modelos de caja blanca, los comparará con los modelos de caja negra y de caja de cristal, y examinará sus compensaciones. La segunda sección le pondrá al día con una amplia gama de métodos de interpretación, también conocidos como métodos de IA explicable (XAI), y cómo aplicarlos a diferentes casos de uso, ya sea para clasificación o regresión, para datos tabulares, series de tiempo, imágenes o texto. Además del código paso a paso, el libro también ayuda al lector a interpretar los resultados del modelo utilizando ejemplos. En la tercera sección, se familiarizará con la optimización de modelos y datos de entrenamiento para la interpretabilidad, reduciendo la complejidad, mitigando el sesgo, estableciendo barreras de seguridad y mejorando la confiabilidad. Los métodos que explorará aquí van desde la selección de características de última generación y métodos de eliminación de sesgos de conjuntos de datos hasta restricciones monótonas y reentrenamiento adversario.
Al final de este libro, podrá comprender mejor los modelos de ML y mejorarlos mediante la optimización de la interpretabilidad.
Lo que aprenderá:
- Reconocer la importancia de la interpretabilidad en los negocios
- Estudiar modelos que son intrínsecamente interpretables, como los modelos lineales, los árboles de decisión y los Naïve Bayes
- Dominar la interpretación de modelos con métodos agnósticos al modelo
- Visualizar cómo funciona y qué aprende un clasificador de imágenes
- Comprender cómo mitigar la influencia del sesgo en los conjuntos de datos
- Descubrir cómo hacer que los modelos sean más confiables con robustez adversaria
- Utilizar restricciones monótonas para crear modelos más justos y seguros
A quién va dirigido este libro:
Este libro está dirigido a científicos de datos, desarrolladores de aprendizaje automático y administradores de datos que tienen una responsabilidad cada vez más crítica de explicar cómo funcionan los sistemas de IA que desarrollan, su impacto en la toma de decisiones y cómo identifican y gestionan el sesgo. Se espera tener conocimientos prácticos de aprendizaje automático y del lenguaje de programación Python.
Autor: Serg Masís
Editorial: Packt Publishing
Publicado: 26/03/2021
Páginas: 736
Tipo de encuadernación: Tapa blanda
Peso: 2.74 libras
Tamaño: 9.25h x 7.50w x 1.47d
ISBN13: 9781800203907
ISBN10: 180020390X
Categorías BISAC:
- Computadoras | Inteligencia artificial | Sistemas expertos
- Computadoras | Ciencia de datos | Redes neuronales
- Computadoras | Simulación por computadora
Este título no es retornable