Python 可解釋AI（XAI）實戰 Hands-On Explainable AI (XAI) with Python
Denis Rothman 葉偉民 朱明超 譯
- 出版商: 清華大學
- 出版日期: 2022-08-01
- 售價: $768
- 貴賓價: 9.5 折 $730
- 語言: 簡體中文
- ISBN: 730261329X
- ISBN-13: 9787302613299
-
相關分類:
Python、程式語言、人工智慧、Machine Learning
- 此書翻譯自: Hands-On Explainable AI (XAI) with Python (Paperback)
立即出貨
買這商品的人也買了...
-
$1,378Computer Architecture: A Quantitative Approach, 5/e (Paperback) -
OpenCV 3 學習手冊 (Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library)$1,200$948 -
Python 神乎其技 全新超譯版 - 快速精通 Python 進階功能, 寫出 Pythonic 的程式 (Python Tricks: A Buffet of Awesome Python Features)$580$493 -
圖解AI｜機器學習和深度學習的技術與原理$450$356 -
可解釋機器學習：黑盒模型可解釋性理解指南$594$564 -
AI 硬體專屬晶片：最新技術未來創新發展$1,000$850 -
$713Python3 網絡爬蟲開發實戰, 2/e -
$454SQL 數據分析：從基礎破冰到面試題解 -
集成式學習：Python 實踐！整合全部技術，打造最強模型 (Hands-On Ensemble Learning with Python: Build highly optimized ensemble machine learning models using scikit-learn and Keras)$750$593 -
可解釋人工智能導論$948$901 -
物聯網時代的15堂資安基礎必修課$620$490 -
數位與醫學的人工智慧影像處理技術：Python 實務$580$452 -
$658前端跨界開發指南：JavaScript 工具庫原理解析與實戰 -
$352MATLAB 修煉之道：編程實例透析 -
$509軟技能：代碼之外的生存指南, 2/e -
AI 可解釋性 (Python語言版)$359$341 -
TensorFlow 2.x 高級電腦視覺$774$735 -
AI 安全：技術與實戰$888$844 -
因果推斷與機器學習$602$566 -
圖神經網絡：基礎、前沿與應用$912$858 -
人工智能：現代方法, 4/e (上下冊)$1,188$1,129 -
基於 MATLAB 與 FPGA 的圖像處理教程$588$559 -
$458自然語言處理之 BERT 模型算法、架構和案例實戰 -
ChatGPT 4 萬用手冊 2023 秋季號：超強外掛、Prompt、LineBot、OpenAI API、Midjourney、Stable Diffusion、Leonardo.ai$680$537 -
完全圖解人工智慧：零基礎也OK！從NLP、圖像辨識到生成模型，現代人必修的53堂AI課$480$379
商品描述
主要內容 ？ 在機器學習生命周期的不同階段規劃和實施 XAI ？ 評估目前流行的各種XAI開源工具的優缺點 ？ 介紹如何處理機器學習數據中的偏見問題 ？ 介紹處理機器學習數據中的道德倫理和法律問題的工具和相關知識 ？ 介紹XAI 設計和可視化方面的**實踐 ？ 將XAI集成到Python模型中 ？ 在整個機器學習生命周期中使用對應的XAI工具來解決業務問題
目錄大綱
第1 章 使用Python 解釋AI................1
1.1 可解釋AI 的定義........................2
1.1.1 從黑盒模型到XAI 白盒模型...........3
1.1.2 解釋和闡釋..........................................4
1.2 設計和提取...................................5
1.3 醫學診斷時間線中的XAI..........8
1.3.1 全科醫生使用的標準AI 程序..........8
1.3.2 西尼羅河病毒——一個生死
攸關的案例.......................................15
1.3.3 Google Location History 與XAI 的
結合可以拯救生命..........................21
1.3.4 下載Google Location History.........21
1.3.5 讀取和顯示Google Location
History................................................25
1.3.6 用XAI 增強AI 診斷.......................33
1.3.7 將XAI 應用於醫學診斷
實驗性程序.......................................38
1.4 本章小結.....................................42
1.5 習題.............................................42
1.6 參考資料.....................................43
1.7 擴展閱讀.....................................43
第2 章 AI 偏差和道德方面的
白盒XAI ............................... 45
2.1 自動駕駛汽車系統AI 的
道德和偏差................................46
2.1.1 自動駕駛系統在生死關頭是
如何做決策的...................................47
2.1.2 電車難題...........................................47
2.1.3 麻省理工學院的道德
機器實驗............................................48
2.1.4 真實的生死攸關情景.......................48
2.1.5 從道德倫理上解釋AI 的
局限性................................................49
2.2 對自動駕駛決策樹的解釋........51
2.2.1 自動駕駛系統的兩難困境..............52
2.2.2 導入模塊............................................53
2.2.3 檢索數據集........................................53
2.2.4 讀取和拆分數據...............................54
2.2.5 決策樹分類器的理論描述..............56
2.2.6 創建默認的決策樹分類器..............57
2.2.7 訓練、測量、保存模型..................58
2.2.8 顯示決策樹........................................60
2.3 將XAI 應用於自動駕駛
決策樹.........................................62
2.4 使用XAI 和道德來控制
決策樹.........................................68
2.4.1 加載模型............................................69
2.4.2 測量準確率........................................69
2.4.3 模擬實時案例...................................69
2.4.4 由噪聲引起的ML 偏差..................70
2.4.5 將道德和法律引入ML...................72
2.6 本章小結.....................................74
2.7 習題.............................................75
2.8 參考資料.....................................75
2.9 擴展閱讀.....................................76
第3 章 用Facets 解釋ML................77
3.1 Facets 入門..................................78
3.1.1 在Google Colaboratory
安裝Facets........................................78
3.1.2 檢索數據集.......................................79
3.1.3 讀取數據文件...................................80
3.2 Facets Overview..........................80
3.3 對Facets 統計信息進行排序....82
3.3.1 按特徵順序排序...............................83
3.3.2 按不均勻性排序...............................83
3.3.3 按字母順序排序...............................86
3.3.4 按缺失值或零值的數量排序.........86
3.3.5 按分佈距離排序...............................87
3.4 Facets Dive..................................88
3.4.1 構建Facets Dive 交互式界面.........88
3.4.2 定義數據點的標簽..........................90
3.4.3 定義數據點的顏色..........................92
3.4.4 定義x 軸和y 軸的binning ............93
3.4.5 定義散點圖的x 軸和y 軸..............94
3.5 本章小結.....................................96
3.6 習題.............................................96
3.7 參考資料.....................................97
3.8 擴展閱讀.....................................97
第4 章 Microsoft Azure 機器學習
模型的可解釋與SHAP......... 99
4.1 SHAP 簡介...............................100
4.1.1 關鍵的SHAP 原則.......................100
4.1.2 Shapley 值的數學表達式.............102
4.1.3 情感分析示例................................104
4.2 SHAP 入門...............................108
4.2.1 安裝SHAP.....................................108
4.2.2 導入數據........................................109
4.2.3 向量化數據集................................ 115
4.3 線性模型和邏輯回歸..............117
4.3.1 創建、訓練和可視化線性模型
的輸出............................................ 117
4.3.2 定義線性模型................................119
4.3.3 使用SHAP 實現與模型無關的
解釋.................................................121
4.3.4 創建線性模型解釋器....................121
4.3.5 添加圖表功能................................121
4.3.6 解釋模型的預測結果....................123
4.4 本章小結.................................. 130
4.5 習題.......................................... 131
4.6 參考資料.................................. 131
4.7 擴展閱讀.................................. 131
4.8 其他出版物.............................. 132
第5 章 從零開始構建可解釋AI
解決方案.............................133
5.1 道德倫理和法律視角.............. 134
5.2 美國人口普查數據問題......... 135
5.2.1 使用pandas 顯示數據...................135
5.2.2 道德倫理視角................................137
5.3 機器學習視角.......................... 141
5.3.1 使用Facets Dive 顯示
訓練數據.............................142
5.3.2 使用Facets Dive 分析
訓練數據.............................144
5.3.3 驗證輸出是否符合以上原則.......146
5.3.4 對輸入數據進行轉換....................153
5.4 將WIT 應用於轉換後的
數據集...................................... 155
5.5 本章小結.................................. 162
5.6 習題.......................................... 163
5.7 參考資料.................................. 163
5.8 擴展閱讀.................................. 163
第6 章 用Google What-If Tool(WIT)
實現AI 的公平性.................165
6.1 從道德倫理視角談AI
可解釋和可闡釋性................. 166
6.1.1 道德倫理視角................................166
6.1.2 法律視角........................................167
6.1.3 解釋和闡釋....................................167
6.1.4 準備符合道德倫理的數據集......168
6.2 WIT 入門..................................170
6.2.1 導入數據集....................................171
6.2.2 對數據進行預處理.......................172
6.2.3 創建數據結構以訓練和
測試模型........................................174
6.3 創建DNN 模型........................174
6.4 創建SHAP 解釋器..................177
6.5 模型輸出與SHAP 值..............178
6.6 WIT 數據點瀏覽器和
編輯器......................................181
6.6.1 創建WIT........................................181
6.6.2 數據點編輯器................................182
6.6.3 特徵.................................................186
6.6.4 性能和公平性................................187
6.7 本章小結...................................193
6.8 習題...........................................193
6.9 參考資料...................................194
6.10 擴展閱讀.................................194
第7 章 可解釋AI 聊天機器人......... 195
7.1 Dialogflow 的Python
客戶端......................................196
7.1.1 安裝Google Dialogflow 的
Python 客戶端...............................197
7.1.2 創建Google Dialogflow 代理......197
7.1.3 啟用API 和服務...........................200
7.1.4 實現Google Dialogflow 的
Python 客戶端...............................202
7.2 增強Google Dialogflow 的
Python 客戶端.........................205
7.2.1 創建對話函數................................205
7.2.2 在Dialogflow 實現XAI 的
限制.................................................206
7.2.3 在Dialogflow 創建意圖...............206
7.2.4 XAI Python 客戶端.......................212
7.3 使用Google Dialogflow 的
CUI XAI 對話......................... 216
7.3.1 將Dialogflow 集成到網站中.......216
7.3.2 Jupyter Notebook XAI 代理
管理器.............................................220
7.3.3 Google Assistant .............................220
7.4 本章小結.................................. 222
7.5 習題.......................................... 223
7.6 擴展閱讀.................................. 223
第8 章 LIME...................................225
8.1 介紹LIME............................... 226
8.1.1 LIME 的數學表示.........................227
8.2 開始使用LIME....................... 229
8.2.1 在Google Colaboratory 安裝
LIME...............................................230
8.2.2 檢索數據集和矢量化數據集.......230
8.3 一個實驗性的AutoML
模塊.......................................... 231
8.3.1 創建AutoML 模板........................232
8.3.2 Bagging 分類器..............................233
8.3.3 梯度提升分類器............................234
8.3.4 決策樹分類器................................234
8.3.5 極度隨機樹分類器........................235
8.4 解釋分數.................................. 236
8.5 訓練模型並生成預測.............. 236
8.5.1 分類器的交互選擇........................237
8.5.2 完成預測過程................................238
8.6 LIME 解釋器........................... 239
8.6.1 創建LIME 解釋器........................240
8.6.2 闡釋LIME 解釋器........................242
8.7 本章小結...................................247
8.8 習題...........................................248
8.9 參考資料...................................248
8.10 擴展閱讀.................................248
第9 章 反事實解釋法..................... 249
9.1 反事實解釋法...........................250
9.1.1 數據集和動機................................250
9.1.2 使用WIT 可視化反事實
距離.................................................251
9.1.3 使用默認視圖探索數據點
距離.................................................253
9.1.4 反事實解釋的邏輯.......................258
9.2 距離函數的選項......................262
9.2.1 L1 範數...........................................263
9.2.2 L2 範數...........................................264
9.2.3 自定義距離函數............................265
9.3 深度學習模型的架構..............266
9.3.1 調用 WIT.......................................266
9.3.2 自定義預測函數............................267
9.3.3 加載 Keras 預訓練模型..............268
9.3.4 檢索數據集和模型.......................269
9.4 本章小結...................................270
9.5 習題...........................................270
9.6 參考資料...................................271
9.7 擴展閱讀...................................271
第10 章 對比解釋法(CEM) ............ 273
10.1 CEM........................................274
10.2 將CEM應用於MNIST........276
10.2.1 安裝Alibi 並導入模塊.............276
10.2.2 導入模塊和數據集...................276
10.3 定義和訓練CNN 模型.........279
10.3.1 創建CNN 模型.........................281
10.3.2 訓練CNN 模型.........................281
10.3.3 將原始圖像與解碼圖像
進行比較.....................................285
10.4 相關負面................................ 287
10.4.1 CEM 參數...................................288
10.4.2 初始化CEM解釋器.................289
10.4.3 相關負面的解釋........................290
10.5 本章小結................................ 291
10.6 習題........................................ 292
10.7 參考資料................................ 292
10.8 擴展閱讀................................ 293
第11 章 錨解釋法...........................295
11.1 錨解釋法................................ 296
11.1.1 預測收入.....................................296
11.1.2 新聞組分類.................................299
11.2 對ImageNet 圖像預測
應用錨解釋法........................ 300
11.2.1 安裝Alibi 並導入其他
所需模塊.....................................300
11.2.2 加載InceptionV3 模型..............301
11.2.3 下載圖像.....................................301
11.2.4 處理圖像並進行預測...............302
11.2.5 構建錨圖像解釋器....................303
11.2.6 解釋其他類別............................306
11.2.7 錨解釋法的局限性....................308
11.3 本章小結................................ 309
11.4 習題......................................... 309
11.5 參考資料................................ 310
11.6 擴展閱讀................................ 310
第12 章 認知解釋法....................... 311
12.1 基於規則的認知解釋法....... 312
12.1.1 從XAI 工具到XAI 概念.........313
12.1.2 定義認知解釋法........................313
12.1.3 實踐認知解釋法........................315
12.1.4 特徵的邊際貢獻........................319
12.2 矢量化器的認知解釋法........322
12.2.1 解釋LIME 的矢量化器...........323
12.2.2 解釋 IMDb 的SHAP
矢量化器....................................325
12.3 CEM 的人類認知輸入..........327
12.4 本章小結................................ 331
12.5 習題........................................ 332
12.6 擴展閱讀................................ 332
習題答案..............................................333
