书目信息 |
| 题名： |
可解释AI实战
|
|
| 作者： | 塔姆佩 著 ；叶伟民 ， 朱明超 ， 刘华 译 | |
| 分册： | ||
| 出版信息： | 北京 清华大学出版社 2024.03 |
|
| 页数： | xi, 269页 | |
| 开本： | 24cm | |
| 丛书名： | ||
| 单 册： | ||
| 中图分类： | TP181 | |
| 科图分类： | ||
| 主题词： | 机器学习--ji qi xue xi | |
| 电子资源： | ||
| ISBN： | 978-7-302-65486-5 | |
| 000 | 02168nam0 2200313 450 | |
| 001 | 2437603501 | |
| 010 | @a978-7-302-65486-5@dCNY98.00 | |
| 100 | @a20240319d2024 em y0chiy0120 ea | |
| 101 | 1 | @achi@ceng |
| 102 | @aCN@b110000 | |
| 105 | @aak z 000yy | |
| 106 | @ar | |
| 200 | 1 | @a可解释AI实战@Ake jie shi AI shi zhan@ePyTorch版@f(英) 阿杰伊·塔姆佩著@g叶伟民 ... [等] 译 |
| 210 | @a北京@c清华大学出版社@d2024.03 | |
| 215 | @axi, 269页@c图@d24cm | |
| 304 | @a题名页题: 叶伟民, 朱明超, 刘华, 叶孟良, 袁敏译 | |
| 312 | @a英文题名原文取自封面 | |
| 314 | @a阿杰伊·塔姆佩, 在机器学习领域具有扎实的基础。他的博士研究主要专注于信号处理和机器学习。他发表过许多关于强化学习、凸优化和传统机器学习技术应用于5G移动网络的论文。叶伟民, PDF4AI.cn (国内) 和PDF4AI.com (国外创始人) , PDF4AI使用了本书第2、3、4、7章的技术致力于将高价值数据处理成AI可以精确处理的格式主要服务于投资银行 (基金、私募、量化投资)、翻译、外贸、医疗行业《精通 Neo4j》作者之一。朱明超, 复旦大学研究生, 蚂蚁集团大安全算法研究员, 负责可信人工智能算法研究,《可解释机器学习》译者,《Python可解释 AI (XAI) 实战》译者之一。刘华 (Kenneth), 著有《猎豹行动: 硝烟中的敏捷转型之旅》和《软件交付那些事儿》等。 | |
| 330 | @a本书简化了对透明且可解释的AI的前沿研究, 提供了可以使用Python和开源库轻松实现的实用方法。通过所有主流机器学习方法的示例, 本书展示了一些AI方法不透明的原因, 识别模型学习的模式, 并提供构建公平和无偏见模型的最佳实践。通过阅读本书, 读者将能够在训练期间提高AI的性能, 并构建强大的系统来抵消偏差、数据泄露和概念漂移造成的错误。书中通过简练的语言精炼地解释了为什么人工智能模型难以解释, 什么是白盒模型, 例如线性回归、决策树和广义加法模型, 对部分依赖图、LIME、SHAP、Anchors及如显著性映射、网络剖析和表征学习等技术做了介绍, 并介绍什么是公平性以及如何减轻AI系统中的偏差, 实现符合GDPR的强大AI系统。 | |
| 500 | 10 | @aInterpretable AI : building explainable machine learning systems@mChinese |
| 586 | @a | |
| 606 | 0 | @a机器学习@Aji qi xue xi |
| 690 | @aTP181@v5 | |
| 701 | 1 | @a塔姆佩@Ata mu pei@g(Thampi, Ajay)@4著 |
| 702 | 0 | @a叶伟民@Aye wei min@4译 |
| 702 | 0 | @a朱明超@Azhu ming chao@4译 |
| 702 | 0 | @a刘华@Aliu hua@4译 |
| 801 | 0 | @aCN@c20240319 |
| 905 | @dTP181@eT017@f1@sTP181/T017@S@Z | |
| 可解释AI实战：PyTorch版/(英) 阿杰伊·塔姆佩著/叶伟民 ... [等] 译.-北京：清华大学出版社，2024.03 |
| xi, 269页：图；24cm |
| ISBN 978-7-302-65486-5：CNY98.00 |
| 本书简化了对透明且可解释的AI的前沿研究, 提供了可以使用Python和开源库轻松实现的实用方法。通过所有主流机器学习方法的示例, 本书展示了一些AI方法不透明的原因, 识别模型学习的模式, 并提供构建公平和无偏见模型的最佳实践。通过阅读本书, 读者将能够在训练期间提高AI的性能, 并构建强大的系统来抵消偏差、数据泄露和概念漂移造成的错误。书中通过简练的语言精炼地解释了为什么人工智能模型难以解释, 什么是白盒模型, 例如线性回归、决策树和广义加法模型, 对部分依赖图、LIME、SHAP、Anchors及如显著性映射、网络剖析和表征学习等技术做了介绍, 并介绍什么是公平性以及如何减轻AI系统中的偏差, 实现符合GDPR的强大AI系统。 |
| ● |
| 相关链接 |
|
|
|
正题名：可解释AI实战
索取号：TP181/T017
预约/预借
| 序号 | 登录号 | 条形码 | 馆藏地/架位号 | 状态 | 备注 |
| 1 | 21614622 | 216146221 | 自科库301/301自科库 39排5列1层/ [索取号:TP181/T017] | 在馆 |