機器學習的高風險應用｜負責任的人工智慧方法 (Machine Learning for High-Risk Applications: Approaches to Responsible AI)
Patrick Hall, James Curtis, Parul Pandey
- 出版商: 歐萊禮
- 出版日期: 2024-04-03
- 定價: $780
- 售價: 7.9 折 $616
- 語言: 繁體中文
- 頁數: 480
- ISBN: 6263247738
- ISBN-13: 9786263247734
-
相關分類:
人工智慧、Machine Learning
- 此書翻譯自: Machine Learning for High-Risk Applications: Approaches to Responsible AI (Paperback)
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
實戰封包分析｜使用 Wireshark, 3/e (支援IPv6與Wifi) (Practical Packet Analysis: Using Wireshark to Solve Real-World Network Problems, 3/e)$520$411 -
Wireshark 實戰演練與網路封包分析寶典$680$510 -
Raspberry Pi 樹莓派：12道開胃菜打造 Linux 核心肌群（iT邦幫忙鐵人賽系列書）$680$530 -
實戰 Linux 系統數位鑑識 (Practical Linux Forensics: A Guide for Digital Investigators)$620$490 -
建構機器學習管道｜運用 TensorFlow 實現模型生命週期自動化 (Building Machine Learning Pipelines: Automating Model Life Cycles with Tensorflow)$580$458 -
Next.js 實戰$594$564 -
Hacking APIs｜剖析 Web API 漏洞攻擊技法$580$458 -
Ubuntu22 系統管理與網路服務實務應用：晉升專業網管工程師×物聯網工程師實戰攻略$660$515 -
游戲UI設計項目實戰$594$564 -
SQL Server 管理實戰 (適用SQL Server 2022/2019)$800$632 -
從 AI 到 生成式 AI：40個零程式的實作體驗，培養新世代人工智慧素養$560$442 -
史上最強 Python 入門邁向頂尖高手之路王者歸來, 3/e (全彩印刷)$1,200$948 -
高效率 Linux 命令列學習手冊 (Efficient Linux at the Command Line: Boost Your Command-Line Skills)$580$458 -
Staff 工程師之路｜獻給個人貢獻者成長與改變的導航指南 (The Staff Engineer's Path)$580$458 -
CI/CD 安全防護大揭密：DevSecOps 最佳實踐指南$680$530 -
NGINX Cookbook: Advanced Recipes for High-Performance Load Balancing, 3/e (Paperback)$2,170$2,062 -
$407AI治理大家談韌性治理與未來科技 -
AI 時代 Math 元年 : 用 Python 全精通矩陣及線性代數$1,280$1,011 -
AI 職場 – 智慧浪潮的工作新規則$680$537 -
SQL × Power Automate × Python 自動化 Excel 與 Pandas 資料分析$650$507 -
機器學習的公式推導和程式實作$580$458 -
重構：改善 .NET 與 C# 應用程式的設計，償還欠下的技術債 (使用 GitHub Copilot 與 Visual Studio) (Refactoring with C#: Safely improve .NET applications and pay down technical debt with Visual Studio, .NET 8, and C# 12)$850$663 -
喪屍 Scrum 生存指南：邁向真敏捷的復原之路 (Zombie Scrum Survival Guide: A Journey To Recovery)$650$507 -
現代系統管理｜可靠及永續的系統管理 (Modern System Administration: Managing Reliable and Sustainable Systems)$680$537 -
新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型$750$593
商品描述
「作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」
—Christoph Molnar
Interpretable Machine Learning作者
「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，以負責任又可持續的方式成功佈署ML系統。」
—Liz Grennan
Digital Trust, McKinsey&Company初級合夥人暨全球事務共同領導者
過去十年，見證了人工智慧與機器學習(AI/ML)技術的廣泛採用。然而，疏於監督這些廣泛實施的技術，導致原本可由適切風險管理來避免的事故與不良後果。在認識AI/ML真正的好處前，從業人員必須瞭解如何降低風險。
本書說明負責任AI的處理方式：建立在風險管理、資安、資料隱私上，並套用社交科學的最佳實作，提升AI/ML技術、商業程序與文化能力的完整框架。作者Patrick Hall、James Curtis與Parul Pandey創作了這本指南，以期能協助企業、客戶與大眾改善真實世界AI/ML系統結果的資料科學家。
‧學習完整涵蓋可解釋性、模組驗證與除錯、偏見管理、資料隱私與ML安全性的負責任AI技術處理
‧學習如何建立成功的、有影響力的AI風險管理實作
‧對採用AI技術的現有標準、法律與評估方式有基本瞭解，包括近期的NIST AI Risk Management Framework
‧使用GitHub與Colab的互動式資源
作者簡介
Patrick Hall 是BNH.AI首席科學家與GWU客座講師成員。
James Curtis 是Solea Energy定量分析研究員。
Parul Pandey 是H2O.ai首席資料科學家。
目錄大綱
前言
第一部 AI風險管理理論與實務應用
第一章 當代機器學習風險管理
第二章 可詮釋性與可解釋性機器學習
第三章 機器學習系統的安全與效能除錯
第四章 機器學習偏差管理
第五章 機器學習安全性
第二部 AI 風險管理付諸實現
第六章 可解釋增強機與解釋XGBoost
第七章 解釋PyTorch 影像分類器
第八章 XGBoost 模型的選擇與除錯
第九章 PyTorch 影像分類除錯
第十章 使用XGBoost 測試與補救偏差
第十一章 XGBoost 紅隊演練
第三部 結論
第十二章 如何實現高風險機器學習目標
索引
