Maschinenlernen. Wie man zuverlässige Modelle der künstlichen Intelligenz aufbaut

Dies ist ein praktisches Handbuch zur Erstellung robuster, sicherer und verständlicher ML-Systeme. Die Autoren behandeln die wichtigsten Aspekte der Entwicklung zuverlässiger Modelle: von der Identifizierung von Schwachstellen und Vorurteilen bis zur Bewertung der Transparenz von Algorithmen, dem Schutz vor Angriffen und dem Management von Verbindlichkeiten in ML-Projekten.
Das Buch hilft zu verstehen, wie moderne Ansätze zur Fairness, Interpretierbarkeit und Sicherheit funktionieren und zeigt, wie man sie unter realen Bedingungen anwendet – dort, wo Modelle mit einer sich verändernden Umgebung, verrauschten Daten und menschlichen Nutzungsszenarien konfrontiert sind.