Книга поможет осознанно и эффективно работать с моделями машинного обучения. Дано введение в интерпретацию машинного обучения: раскрыты важность темы, ее ключевые понятия и проблемы. Рассмотрены методы интерпретации: модельно-агностические, якорные и контрфактические, для многопеременного прогнозирования, а также визуализации сверточных нейронных сетей. Раскрыты вопросы настройки на интерпретируемость: отбор и конструирование признаков, ослабление систематического смещения и причинно-следственный вывод, монотонные ограничения, настройка моделей и устойчивость к антагонизму. Показаны перспективы развития интерпретируемых моделей машинного обучения. Каждая глава книги включает подробные примеры исходного кода на языке Python. На сайте издательства размещен архив с цветными иллюстрациями. Научитесь создавать интерпретируемые высокопроизводительные модели на практических примерах из реальной жизни Интерпретируемое машинное обучение, также именуемое объяснимым искуссственным интеллектом (ИИ — explainable AI, XAI), — это постоянно растущее семейство методов, которые можно задействовать для усвоения полезной информации из моделей и для того, чтобы делать их безопасными, объективными и надежными, чего, я надеюсь, мы все хотим для наших моделей. О чем эта книга Эта книга поможет вам эффективно работать с моделями машинного обучения. Каждая глава включает подробные примеры исходного кода на языке Python. Первый раздел книги представляет собой руководство для начинающих по интерпретации результатов моделирования. В нем даны основные понятия и проблемы, показано значение машинного обучения в бизнесе. Рассмотрены модели белого ящика, черного ящика и стеклянного ящика, проведено их сравнение и предложены разумные компромиссы. Во втором разделе описан широкий спектр методов интерпретации, известных также как методы объяснимого искусственного интеллекта, и их применение в случаях классификации, регрессии, табличных временных рядов, обработки изображений или текста. Результаты моделирования сопровождаются программными кодами и понятными примерами. В третьем разделе рассмотрена настройка моделей и работа с обучающими данными. При этом интерпретируемость обеспечивается за счет снижения сложности, ослабления систематического смещения и повышения надежности. Рассмотрены новейшие методы выбора признаков, монотонных ограничений, состязательного переобучения и др. К концу этой книги вы сможете лучше понимать модели машинного обучения и улучшать их за счет настройки интерпретируемости. Для кого эта книга предназначена для новичков и студентов, изучающих науку о данных, обладающих основополагающими знаниями машинного обучения и языка программирования Python; для профессионалов по работе с данными, на которых возлагается все более важная ответственность в объяснении хода работы систем ИИ, которые они разрабатывают и чью работу они сопровождают технически; для инженеров по машинному обучению и исследователей данных, которые хотят расширить свой набор навыков, включив в него новейшие методы интерпретации и способы уменьшения систематических ошибок; для специалистов по этике ИИ, чтобы углубить свое понимание имплементационных сторон своей работы в целях более эффективного ориентирования этих усилий; для менеджеров проектов ИИ и руководителей компаний, которые хотят внедрить интерпретируемое машинное обучение в свои производственные процессы, чтобы соответствовать принципам объективности, подотчетности и прозрачности. Скачать файлы с образцами исходного кода этой книги можно из репозитория книги на GitHub по адресу https://github.com/PacktPublishing/Interpretable-Machine-Learning-with-Python/. В случае появления какого-либо обновления исходного кода он будет обновляться в существующем репозитории GitHub. Там же в файле README.MD вы также сможете найти список требований к оборудованию и программному обеспечению. Вы изучите: • Проблемы интерпретируемости в бизнесе
• Внутренне интерпретируемые модели, такие как линейные модели, деревья решений и наивный байесовский метод
• Интерпретацию моделей с помощью методов, не зависящих от модели
• Работу классификатора изображений
• Методы ослабления систематического смещения
• Методы защиты моделей от атак
• Применение монотонных ограничений для повышения безопасности моделей Загрузка цветных изображений PDF-файл с цветными изображениями снимков экрана/диаграмм, используемых в этой книге можно скачать по ссылке https://static.packt-cdn.com/downloads/9781800203907_ColorImages.pdf или https://zip.bhv.ru/9785977517355.zip.. Об авторе Серг Масис (Serg Masís) в течение последних двух десятилетий трудится на стыке веб-разработки, разработки приложений и аналитики. В настоящее время он является специалистом по климатическим и агрономическим данным в Syngenta, веду- щей агробизнес-компании с миссией по улучшению глобальной продовольственной безопасности. До этого стал одним из основателей стартапа, созданного Harvard Innovation Labs, который объединил возможности облачных вычислений и машинного обучения с принципами из науки принятия решений, чтобы знакомить пользователей с новыми местами и событиями. Независимо от того, к чему это относится: к досугу, болезням растений или пожизненной ценности клиента, — Серг увлечен нахождением часто недостающих связей между данными и процессом принятия решений, и интерпретация результатов работы моделей машинного обучения эффективно помогает преодолевать этот разрыв. Я рад, что моя книга получила 4,5 звезды в Goodreads и 4,7 в Amazon , а также следующие награды: и «Лучшая книга об искусственном интеллекте всех времен» от Book Authority.
Kniga pomozhet osoznanno i effektivno rabotat s modelyami mashinnogo obucheniya. Dano vvedenie v interpretatsiyu mashinnogo obucheniya: raskryty vazhnost temy, ee klyuchevye ponyatiya i problemy. Rassmotreny metody interpretatsii: modelno-agnosticheskie, yakornye i kontrfakticheskie, dlya mnogoperemennogo prognozirovaniya, a takzhe vizualizatsii svertochnykh neyronnykh setey. Raskryty voprosy nastroyki na interpretiruemost: otbor i konstruirovanie priznakov, oslablenie sistematicheskogo smeshcheniya i prichinno-sledstvennyy vyvod, monotonnye ogranicheniya, nastroyka modeley i ustoychivost k antagonizmu. Pokazany perspektivy razvitiya interpretiruemykh modeley mashinnogo obucheniya. Kazhdaya glava knigi vklyuchaet podrobnye primery iskhodnogo koda na yazyke Python. Na sayte izdatelstva razmeshchen arkhiv s tsvetnymi illyustratsiyami. Nauchites sozdavat interpretiruemye vysokoproizvoditelnye modeli na prakticheskikh primerakh iz realnoy zhizni Interpretiruemoe mashinnoe obuchenie, takzhe imenuemoe obyasnimym iskussstvennym intellektom (II explainable AI, XAI), eto postoyanno rastushchee semeystvo metodov, kotorye mozhno zadeystvovat dlya usvoeniya poleznoy informatsii iz modeley i dlya togo, chtoby delat ikh bezopasnymi, obektivnymi i nadezhnymi, chego, ya nadeyus, my vse khotim dlya nashikh modeley. O chem eta kniga Eta kniga pomozhet vam effektivno rabotat s modelyami mashinnogo obucheniya. Kazhdaya glava vklyuchaet podrobnye primery iskhodnogo koda na yazyke Python. Pervyy razdel knigi predstavlyaet soboy rukovodstvo dlya nachinayushchikh po interpretatsii rezultatov modelirovaniya. V nem dany osnovnye ponyatiya i problemy, pokazano znachenie mashinnogo obucheniya v biznese. Rassmotreny modeli belogo yashchika, chernogo yashchika i steklyannogo yashchika, provedeno ikh sravnenie i predlozheny razumnye kompromissy. Vo vtorom razdele opisan shirokiy spektr metodov interpretatsii, izvestnykh takzhe kak metody obyasnimogo iskusstvennogo intellekta, i ikh primenenie v sluchayakh klassifikatsii, regressii, tablichnykh vremennykh ryadov, obrabotki izobrazheniy ili teksta. Rezultaty modelirovaniya soprovozhdayutsya programmnymi kodami i ponyatnymi primerami. V tretem razdele rassmotrena nastroyka modeley i rabota s obuchayushchimi dannymi. Pri etom interpretiruemost obespechivaetsya za schet snizheniya slozhnosti, oslableniya sistematicheskogo smeshcheniya i povysheniya nadezhnosti. Rassmotreny noveyshie metody vybora priznakov, monotonnykh ogranicheniy, sostyazatelnogo pereobucheniya i dr. K kontsu etoy knigi vy smozhete luchshe ponimat modeli mashinnogo obucheniya i uluchshat ikh za schet nastroyki interpretiruemosti. Dlya kogo eta kniga prednaznachena dlya novichkov i studentov, izuchayushchikh nauku o dannykh, obladayushchikh osnovopolagayushchimi znaniyami mashinnogo obucheniya i yazyka programmirovaniya Python; dlya professionalov po rabote s dannymi, na kotorykh vozlagaetsya vse bolee vazhnaya otvetstvennost v obyasnenii khoda raboty sistem II, kotorye oni razrabatyvayut i chyu rabotu oni soprovozhdayut tekhnicheski; dlya inzhenerov po mashinnomu obucheniyu i issledovateley dannykh, kotorye khotyat rasshirit svoy nabor navykov, vklyuchiv v nego noveyshie metody interpretatsii i sposoby umensheniya sistematicheskikh oshibok; dlya spetsialistov po etike II, chtoby uglubit svoe ponimanie implementatsionnykh storon svoey raboty v tselyakh bolee effektivnogo orientirovaniya etikh usiliy; dlya menedzherov proektov II i rukovoditeley kompaniy, kotorye khotyat vnedrit interpretiruemoe mashinnoe obuchenie v svoi proizvodstvennye protsessy, chtoby sootvetstvovat printsipam obektivnosti, podotchetnosti i prozrachnosti. Skachat fayly s obraztsami iskhodnogo koda etoy knigi mozhno iz repozitoriya knigi na GitHub po adresu https://github.com/PacktPublishing/Interpretable-Machine-Learning-with-Python/. V sluchae poyavleniya kakogo-libo obnovleniya iskhodnogo koda on budet obnovlyatsya v sushchestvuyushchem repozitorii GitHub. Tam zhe v fayle README.MD vy takzhe smozhete nayti spisok trebovaniy k oborudovaniyu i programmnomu obespecheniyu. Vy izuchite: Problemy interpretiruemosti v biznese Vnutrenne interpretiruemye modeli, takie kak lineynye modeli, derevya resheniy i naivnyy bayesovskiy metod Interpretatsiyu modeley s pomoshchyu metodov, ne zavisyashchikh ot modeli Rabotu klassifikatora izobrazheniy Metody oslableniya sistematicheskogo smeshcheniya Metody zashchity modeley ot atak Primenenie monotonnykh ogranicheniy dlya povysheniya bezopasnosti modeley Zagruzka tsvetnykh izobrazheniy PDF-fayl s tsvetnymi izobrazheniyami snimkov ekrana/diagramm, ispolzuemykh v etoy knige mozhno skachat po ssylke https://static.packt-cdn.com/downloads/9781800203907_ColorImages.pdf ili https://zip.bhv.ru/9785977517355.zip.. Ob avtore Serg Masis (Serg Mass) v techenie poslednikh dvukh desyatiletiy truditsya na styke veb-razrabotki, razrabotki prilozheniy i analitiki. V nastoyashchee vremya on yavlyaetsya spetsialistom po klimaticheskim i agronomicheskim dannym v Syngenta, vedu- shchey agrobiznes-kompanii s missiey po uluchsheniyu globalnoy prodovolstvennoy bezopasnosti. Do etogo stal odnim iz osnovateley startapa, sozdannogo Harvard Innovation Labs, kotoryy obedinil vozmozhnosti oblachnykh vychisleniy i mashinnogo obucheniya s printsipami iz nauki prinyatiya resheniy, chtoby znakomit polzovateley s novymi mestami i sobytiyami. Nezavisimo ot togo, k chemu eto otnositsya: k dosugu, boleznyam rasteniy ili pozhiznennoy tsennosti klienta, Serg uvlechen nakhozhdeniem chasto nedostayushchikh svyazey mezhdu dannymi i protsessom prinyatiya resheniy, i interpretatsiya rezultatov raboty modeley mashinnogo obucheniya effektivno pomogaet preodolevat etot razryv. YA rad, chto moya kniga poluchila 4,5 zvezdy v Goodreads i 4,7 v Amazon , a takzhe sleduyushchie nagrady: i Luchshaya kniga ob iskusstvennom intellekte vsekh vremen ot Book Authority.
