Interpretierbares maschinelles Lernen mit Python

Das Buch hilft, bewusst und effektiv mit Modellen des maschinellen Lernens zu arbeiten. Es bietet eine Einführung in die Interpretation des maschinellen Lernens: Die Bedeutung des Themas, seine Schlüsselbegriffe und Probleme werden erläutert. Es werden Methoden der Interpretation behandelt: modellunabhängige, ankerbasierte und kontrafaktische Ansätze für die mehrdimensionale Prognose sowie die Visualisierung von konvolutionalen neuronalen Netzwerken. Fragen zur Anpassung an die Interpretierbarkeit werden behandelt: Auswahl und Konstruktion von Merkmalen, Minderung von systematischer Verzerrung und kausalen Schlussfolgerungen, monotone Einschränkungen, Anpassung von Modellen und Robustheit gegen Antagonismus. Die Perspektiven der Entwicklung interpretierbarer Modelle des maschinellen Lernens werden aufgezeigt. Jedes Kapitel des Buches enthält ausführliche Beispiele von Quellcode in Python.
Auf der Website des Verlags ist ein Archiv mit farbigen Illustrationen verfügbar.
Für Programmierer im Bereich des maschinellen Lernens.