算法中道
- 出版商: 華中科技大學
- 出版日期: 2026-03-01
- 售價: $528
- 語言: 簡體中文
- 頁數: 236
- ISBN: 7577213306
- ISBN-13: 9787577213309
-
相關分類:
AI Coding
- 此書翻譯自: Responsible AI: Implementing Ethical and Unbiased Algorithms
下單後立即進貨 (約4週~6週)
商品描述
在這個被稱為“人工智能 時代”的新紀元,人工智能 正以 的速度改變著 我們的生活。從智能手機上 的語音助手,到社交媒體上 的個性化推薦,再到自動駕 駛汽車,人工智能的身影無 處不在。然而,伴隨著人工 智能帶來的便利和效率,我 們也越來越多地聽到關於人 工智能偏見、隱私泄露、決 策不透明等問題的討論。如 何確保人工智能系統不僅智 能,而且負責任?如何在追 求技術進步的同時,不忽視 倫理和社會影響?這些問題 與我們所希望構建的未來社 會的形態息息相關。 《算法中道:實踐倫理 與負責任的人工智能》正是 為回答這些迫切問題而誕生 的一本重要著作。這本書的 內容可能稍有一些硬核,但 它既不同於晦澀難懂的技術 手冊,又不是空談理想的倫 理說教,而是將深奧的技術 原理與現實的倫理考量巧妙 結合起來,你可以將它視為 一本關於如何構建負責任的 人工智能(responsible AI ,簡稱RAI)系統的實踐指 南。隨著人工智能技術的快 速發展和廣泛應用,其對社 會和個人的影響日益深遠, 如何確保人工智能系統的公 平性、透明性、可問責性和 隱私保護等成為亟須解決的 問題。本書正是針對這一迫 切需求,為讀者提供了系統 性的理論框架和豐富的實踐 方法。 本書的核心理念是“算法 中道”,即在追求人工智能 性能的同時,也要兼顧公平 、透明、可問責和隱私安全 等倫理價值。兩位具有跨學 科背景的作者探討了負責任 的人工智能的主要內容,包 括如何確保模型的公平性, 避免對特定群體的歧視;如 何提高模型的可解釋性,讓 人工智能的決策過程不再是 “黑箱效應”;如何建立模型 的問責機制,及時發現和糾 正問題;以及如何保護數據 和模型的隱私安全。這些內 容不僅對人工智能從業者至 關重要,對於關心技術發展 和社會公平的每個人來說也 都是寶貴的知識。 本書共九章,內容涵蓋 了構建負責任的人工智能的 全過程。從介紹基本概念的 導論,到深入探討公平性和 數據偏見的第二、三章,再 到講解可解釋性和消除偏見 方法的中間章節, 到討 論問責制、隱私保護和結論 的收尾篇章,兩位作者為讀 者繪制了一幅負責任的人工 智能的全景圖。各個章節多 配有生動的例子和清晰的圖 表,使得覆雜的概念變得易 於理解。值得一提的是,書 中還提供了大量Python代碼 示例,讓讀者可以親自動手 實踐,真正掌握這些方法。
目錄大綱
章 導論
什麼是負責任的AI
負責任的AI的諸方面
公平的AI
可解釋的AI
可問責的AI
數據和模型隱私
參考資料
第二章 公平性和代理特征
引言
關鍵參數
混淆矩陣
常用準確率指標
公平性與公平性指標
公平性指標
Python實現
代理特征
代理特征的檢測方法
線性回歸
方差膨脹因子(VIF)
基於方差的線性關聯方法
餘弦相似性/距離度量方法
互信息
結論
參考資料
第三章 數據中的偏見
引言
統計均等差異
差異影響
當Y為連續變量且S為二元變量時
當Y為二元變量且S為連續變量時
結論
參考資料
第四章 可解釋性
引言
特征解釋
信息價值圖(IV圖)
部分依賴圖(PDP)
累積局部效應(ALE)
敏感性分析
模型解釋
分割並比較分位數
全局解釋
局部解釋
莫裏斯敏感性
可解釋的模型
廣義加法模型(GAM)
反事實解釋
結論
參考資料
第五章 消除機器學習模型中的偏見
引言
再加權數據
計算權重
在機器學習模型中實現權重
校準決策邊界
覆合特征
加性反事實公平性(ACF)
實現加性反事實模型的 步驟
用於分類問題的加性反事實
加性反事實模型用於連續輸出
計算不公平性
結論
參考資料
第六章 消除機器學習輸出中的偏見
引言
拒 選項分類器
優化ROC
處理ROC中的多個特征
結論
參考資料
第七章 AI問責制
引言
數據源漂移
協變量漂移
概念漂移
詹森-香農距離
瓦瑟斯坦距離
穩定性指數
科爾莫戈羅夫-斯米爾諾夫檢驗
布裏爾分數
佩奇-欣克利檢驗(PHT)
早期漂移檢測法
分層線性四年(HLFR)
結論
參考資料
第八章 數據和模型隱私
引言
基本技術
散列法
K-匿名性、L-多樣性和T-緊密性
差分隱私
基於指數機制的隱私保護
差分隱私機器學習算法
聯邦學習
結論
參考資料
第九章 結論
負責任的AI的生命周期
負責任的AI畫布
AI與可持續性
需要一個AI監管者
參考資料
