Descripción
Una inmersión profunda en los aspectos clave y los desafíos de la interpretabilidad del aprendizaje automático utilizando un kit de herramientas completo, que incluye SHAP, importancia de las características e inferencia causal, para construir modelos más justos, seguros y confiables.
La compra del libro impreso o Kindle incluye un libro electrónico gratuito en formato PDF.
Características clave:
- Interpreta datos del mundo real, incluidos datos de enfermedades cardiovasculares y las puntuaciones de reincidencia de COMPAS.
- Crea tu kit de herramientas de interpretabilidad con métodos globales, locales, agnósticos al modelo y específicos del modelo.
- Analiza y extrae información de modelos complejos, desde CNN hasta BERT y modelos de series temporales.
Descripción del libro:
Interpretable Machine Learning with Python, segunda edición, saca a la luz los conceptos clave de la interpretación de modelos de aprendizaje automático mediante el análisis de datos del mundo real, lo que te proporciona una amplia gama de habilidades y herramientas para descifrar los resultados de incluso los modelos más complejos.
Crea tu kit de herramientas de interpretabilidad con varios casos de uso, desde la predicción de retrasos en vuelos hasta la clasificación de residuos y las puntuaciones de evaluación de riesgos de COMPAS. Este libro está lleno de técnicas útiles, presentándolas al caso de uso correcto. Aprende métodos tradicionales, como la importancia de las características y los gráficos de dependencia parcial, hasta gradientes integrados para interpretaciones de PNL y métodos de atribución basados en gradientes, como los mapas de prominencia.
Además del código paso a paso, practicarás la optimización de modelos y datos de entrenamiento para la interpretabilidad al reducir la complejidad, mitigar el sesgo, establecer protecciones y mejorar la confiabilidad.
Al final del libro, tendrás confianza para abordar los desafíos de interpretabilidad con modelos de caja negra utilizando datos tabulares, de lenguaje, de imagen y de series temporales.
Lo que aprenderás:
- Progresa de técnicas básicas a avanzadas, como la inferencia causal y la cuantificación de la incertidumbre.
- Desarrolla tus habilidades desde el análisis de modelos lineales y logísticos hasta modelos complejos, como CatBoost, CNN y transformadores de PNL.
- Utiliza restricciones monotónicas y de interacción para crear modelos más justos y seguros.
- Comprende cómo mitigar la influencia del sesgo en los conjuntos de datos.
- Aprovecha la priorización de factores y la fijación de factores del análisis de sensibilidad para cualquier modelo.
- Descubre cómo hacer que los modelos sean más confiables con la robustez adversarial.
A quién va dirigido este libro:
Este libro está dirigido a científicos de datos, desarrolladores de aprendizaje automático, ingenieros de aprendizaje automático, ingenieros de MLOps y administradores de datos que tienen la responsabilidad cada vez más crítica de explicar cómo funcionan los sistemas de inteligencia artificial que desarrollan, su impacto en la toma de decisiones y cómo identifican y gestionan el sesgo. También es un recurso útil para entusiastas del aprendizaje automático autodidactas y principiantes que desean profundizar en el tema, aunque se necesita un buen dominio del lenguaje de programación Python para implementar los ejemplos.
Autor: Serg Masís
Editorial: Packt Publishing
Publicado: 31/10/2023
Páginas: 606
Tipo de encuadernación: Tapa blanda
Peso: 2.26 libras
Tamaño: 9.25 pulgadas de alto x 7.50 pulgadas de ancho x 1.22 pulgadas de profundidad
ISBN13: 9781803235424
ISBN10: 180323542X
Categorías BISAC:
- Informática | Inteligencia artificial | Sistemas expertos
- Informática | Ciencia de datos | Redes neuronales
- Informática | Simulación por ordenador
Este título no es retornable