Interpretowalne uczenie maszynowe w Pythonie

Książka pomoże świadomie i efektywnie pracować z modelami uczenia maszynowego. Przedstawiono wprowadzenie do interpretacji uczenia maszynowego: ujawniono znaczenie tematu, jego kluczowe pojęcia i problemy. Omówiono metody interpretacji: modelowo-agnostyczne, zakotwiczone i kontrfaktyczne, dla wielowymiarowego prognozowania, a także wizualizacji konwolucyjnych sieci neuronowych. Zbadano kwestie dostosowania do interpretowalności: wybór i konstruowanie cech, łagodzenie systematycznego błędu i wnioskowanie przyczynowo-skutkowe, ograniczenia monotoniczne, dostosowanie modeli i odporność na antagonizm. Zaprezentowano perspektywy rozwoju interpretowalnych modeli uczenia maszynowego. Każdy rozdział książki zawiera szczegółowe przykłady kodu źródłowego w języku Python.
Na stronie wydawnictwa udostępniono archiwum z kolorowymi ilustracjami.
Dla programistów w dziedzinie uczenia maszynowego.