| 开本：16开 |
| 纸张：胶版纸 |
| 包装：平装-胶订 |
| 是否套装：是 |
| 国际标准书号ISBN：9000302003212 |
| 所属分类：图书>计算机/网络>操作系统/系统开发>其他 |
编辑推荐
可解释性（语言版）
《可解释性（语言版）》的出版恰逢其时通过构建的方法论体系，形成一组工具和方法，从而解释模型产生的复杂结果，帮助人们理解模型。本书从不可知论、依赖模型方法或内在可解释性构建了人工智能模型方法论，从全局可解释性和局部可解释性两个方面来回答“是什么”“为什么以及“如何做”等方面的问题。本书适合人工智能从业者、计算机科学家、统计科学家以及所有对机器学习模型可解释性感兴趣的读者阅读。
可解释（）实战
怎样才能有效地向业务和利益相关者解释的决策你需要仔细规划、设计和可视化。要解决的问题、模型以及变量之间的关系通常是微妙、出乎意料和复杂的。
《可解释（）实战》通过几个精心设计的项目让你在实践中掌握众多工具和方法，而不是仅仅停留在理论和概念上。你将动手构建模型，可视化解释结果，并集成工具。
你将使用、 、 平台、 和其他框架构建解决方案，以打开机器学习模型的黑匣子。本书涵盖多个可在整个机器学习项目生命周期中使用的开源工具。
你将学习如何探索机器学习模型结果，检查关键影响变量和变量关系，检测和处理偏见和道德伦理及法律问题，以及将机器学习模型可视化到用户界面中。
读完这本书，你将深入了解的核心概念并掌握多个工具和方法。
可解释实战（版）
对于深度学习模型，常常很难解释其工作方式，即使是创建这些模型的数据科学家也不例外。提高机器学习模型的透明度和可解释性可以最大限度地减少错误，减少意想不到的偏见，增加用户对结果的信任。《可解释实战（版）》讲述了探索“黑盒”模型内部的技术，提供了设计可靠算法的方法，并揭示了导致结果偏差的各种关键因素。内容简介
可解释性（语言版）
《可解释性（语言版）》全面介绍了可解释性的概念和可用技术，使机器学习系统更易于解释。书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。 随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务医疗、法律和金融等等。虽然智能体的设计原则已被理解，但目前的大多数深度学习模型对人类理解而言是“不透明的”。《可解释性语言版》从理论和实践的角度填补了这个新兴主题文献方面的空白，使读者能够快速地使用可解释性的工具和代码。
可解释（）实战
主要内容
● 在机器学习生命周期的不同阶段规划和实施
● 评估目前流行的各种开源工具的优缺点
● 介绍如何处理机器学习数据中的偏见问题
● 介绍处理机器学习数据中的道德伦理和法律问题的工具和相关知识
● 介绍 设计和可视化方面的实践
● 将集成到模型中
● 在整个机器学习生命周期中使用对应的工具来解决业务问题
可解释实战（版）
可解释 将教会你识别模型所学习的模式及其产生结果的原因。通过阅读《可解释实战（版）》，你将掌握一些用于解释白盒模型如线性回归和广义可加模型的方法，以及一些用于解释复杂深度学习模型的方法。可解释是一个快速发展的领域，本书将该领域的前沿研究简化为你可以在中实现的实际方法。
主要内容
● 解释模型的技术
● 最大限度地减少错误、偏见、数据泄露和概念漂移
● 度量公平性和减少偏见
● 构建符合的系统
目 录
可解释性（语言版）
可解释（）实战
可解释实战（版）
可解释性（语言版）
《可解释性（语言版）》的出版恰逢其时通过构建的方法论体系，形成一组工具和方法，从而解释模型产生的复杂结果，帮助人们理解模型。本书从不可知论、依赖模型方法或内在可解释性构建了人工智能模型方法论，从全局可解释性和局部可解释性两个方面来回答“是什么”“为什么以及“如何做”等方面的问题。本书适合人工智能从业者、计算机科学家、统计科学家以及所有对机器学习模型可解释性感兴趣的读者阅读。
可解释（）实战
怎样才能有效地向业务和利益相关者解释的决策你需要仔细规划、设计和可视化。要解决的问题、模型以及变量之间的关系通常是微妙、出乎意料和复杂的。
《可解释（）实战》通过几个精心设计的项目让你在实践中掌握众多工具和方法，而不是仅仅停留在理论和概念上。你将动手构建模型，可视化解释结果，并集成工具。
你将使用、 、 平台、 和其他框架构建解决方案，以打开机器学习模型的黑匣子。本书涵盖多个可在整个机器学习项目生命周期中使用的开源工具。
你将学习如何探索机器学习模型结果，检查关键影响变量和变量关系，检测和处理偏见和道德伦理及法律问题，以及将机器学习模型可视化到用户界面中。
读完这本书，你将深入了解的核心概念并掌握多个工具和方法。
可解释实战（版）
对于深度学习模型，常常很难解释其工作方式，即使是创建这些模型的数据科学家也不例外。提高机器学习模型的透明度和可解释性可以最大限度地减少错误，减少意想不到的偏见，增加用户对结果的信任。《可解释实战（版）》讲述了探索“黑盒”模型内部的技术，提供了设计可靠算法的方法，并揭示了导致结果偏差的各种关键因素。内容简介
可解释性（语言版）
《可解释性（语言版）》全面介绍了可解释性的概念和可用技术，使机器学习系统更易于解释。书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。 随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务医疗、法律和金融等等。虽然智能体的设计原则已被理解，但目前的大多数深度学习模型对人类理解而言是“不透明的”。《可解释性语言版》从理论和实践的角度填补了这个新兴主题文献方面的空白，使读者能够快速地使用可解释性的工具和代码。
可解释（）实战
主要内容
● 在机器学习生命周期的不同阶段规划和实施
● 评估目前流行的各种开源工具的优缺点
● 介绍如何处理机器学习数据中的偏见问题
● 介绍处理机器学习数据中的道德伦理和法律问题的工具和相关知识
● 介绍 设计和可视化方面的实践
● 将集成到模型中
● 在整个机器学习生命周期中使用对应的工具来解决业务问题
可解释实战（版）
可解释 将教会你识别模型所学习的模式及其产生结果的原因。通过阅读《可解释实战（版）》，你将掌握一些用于解释白盒模型如线性回归和广义可加模型的方法，以及一些用于解释复杂深度学习模型的方法。可解释是一个快速发展的领域，本书将该领域的前沿研究简化为你可以在中实现的实际方法。
主要内容
● 解释模型的技术
● 最大限度地减少错误、偏见、数据泄露和概念漂移
● 度量公平性和减少偏见
● 构建符合的系统
目 录
可解释性（语言版）
可解释（）实战
可解释实战（版）