Объяснимые модели искусственного интеллекта на Python

Об авторе
О рецензентах
Благодарности
Введение
Глава 1. Объяснимость и интерпретируемость
модели
Создание основ
Искусственный интеллект
Необходимость XAI
Сравнение объяснимости с интерпретируемостью
Типы объяснимости
Инструменты для объяснимости моделей
SHAP
LIME
ELI5
Skater
Skope_rnles
Методы XAI для ML
Совместимые с XAI модели
XAI удовлетворяет требованиям ответственного AI
Оценка XAI
Заключение
Глава 2. Этика, предвзятость и надежность AI
Основы этики AI
Предвзятость в AI
Предвзятость данных
Алгоритмическая предвзятость
Процесс снижения предвзятости
Предвзятость интерпретации
Предвзятость при обучении
Надежность в AI
Заключение
ГЛАВА 3. Объяснимость для линейных моделей
Линейные модели
Линейная регрессия
VIF и проблемы, которые он может породить
Окончательная модель
Объяснимость модели
Доверие к модели ML: SHAP
Локальное объяснение и индивидуальные
прогнозы в модели ML ....
Глобальное объяснение и общие прогнозы в модели
ML
Объяснение LIME и модель ML
Объяснение Skater и модель ML
Объяснение ELI5 и модель ML
Логистическая регрессия
Интерпретация
Вывод LIME
Заключение
ГЛАВА 4. Объяснимость для нелинейных моделей
Нелинейные модели
Объяснение дерева решений
Подготовка данных для модели дерева решений
Создание модели
Дерево решений - SHAP
График частичной зависимости
PDP с использованием Scikit-Learn
Объяснение нелинейной модели - LIME
Нелинейное объяснение - Skope-Rules
Заключение
ГЛАВА 5. Объяснимость для ансамблевых моделей
Ансамблевые модели
Типы ансамблевых моделей
Почему ансамблевые модели?
Использование SHAP для ансамблевых моделей
Использование интерпретации, объясняющей
модель повышения ...
Модель классификации ансамблей: SHAP
Использование SHAP для объяснения
категориальных
моделей повышения
Использование многоклассовой категориальной
модели
повышения SHAP
Использование SHAP для объяснения модели
легкой GBM
Заключение
ГЛАВА 6. Объяснимость для моделей временных
рядов ....
Модели временных рядов
Выбор подходящей модели
Стратегия прогнозирования
Доверительный интервал прогнозов
Что происходит с доверием?
Временные ряды: LIME
Заключение
ГЛАВА 7. Объяснимость для NLP
Задачи обработки естественного языка
Объяснимость для классификации текстов
Набор данных для классификации текста
Объяснение с помощью ELI5
Вычисление весов характеристик для локального
объяснения
Локальное объяснение. Пример 1
Локальное объяснение. Пример 2
Локальное объяснение. Пример 3
Объяснение после удаления стоп-слов
Классификация текста на основе N-грамм
Объяснимость многоклассовой классификации
текста по меткам
Локальное объяснение. Пример 1
Локальное объяснение. Пример 2
Локальное объяснение. Пример 3
Заключение
ГЛАВА 8. Справедливость модели AI,
использующей сценарий "что, если"
Что такое WIT?
Установка WIT
Метрика оценки
Заключение
ГЛАВА 9. Объяснимость для моделей глубокого
обучения ...
Объяснение моделей DL
Использование SHAP с DL
Использование Deep SHAP
Использование Alibi
Объяснитель SHAP для глубокого обучения
Еще один пример классификации изображений
Использование SHAP
Deep Explainer для табличных данных
Заключение
ГЛАВА 10. Контрфактуальные объяснения
для моделей XAI
Что такое CFE?
Применение CFE
CFE с помощью Alibi
Контрфактуал для задач регрессии
Заключение
ГЛАВА 11. Контрастные объяснения
для машинного обучения
Что такое CE для ML?
CEM, использующие Alibi
Сравнение оригинального изображения и
изображения,
сгенерированного автокодировщиком
Объяснения CEM для табличных данных
Заключение
ГЛАВА 12. Модельно независимые объяснения
путем определения инвариантности прогноза
Что такое независимость от модели?
Что такое якорь?
Объяснения якорей с помощью Alibi
Якорь текста для классификации текста
Якорь изображения для классификации
изображений
Заключение
ГЛАВА 13. Объяснимость модели для экспертных
систем, основанных на правилах
Что такое экспертная система?
Прямая и обратная цепочки
Извлечение правил с помощью Scikit-Learn
Потребность в системе, основанной на правилах
Проблемы экспертной системы
Заключение
ГЛАВА 14. Объяснимость моделей
для компьютерного зрения
Почему объяснимость для данных изображений?
Якорь изображения с помощью Alibi
Метод интегрированных градиентов
Заключение