AI可解释性(Python语言版)

本书全面介绍了AI可解 释性的概念和可用技术，使 机器学习系统更易于解释。 书中提出的方法可以应用于 几乎所有现有的机器学习模 型：线性和逻辑回归、深度 学习神经网络、自然语言处 理和图像识别等等。 随着机器学习的发展， 如今人们越来越多地使用人 工智能体来执行以前由人类 处理的关键任务（医疗、法 律和金融等等）。虽然智能 体的设计原则已被理解，但 目前的大多数深度学习模型 对人类理解而言是“不透明 的”。《AI可解释性 （Python语言版）》从理论 和实践的角度填补了这个新 兴主题文献方面的空白，使 读者能够快速地使用可解释 性AI的工具和代码。

\"Leonida Gianfagna博士是一位理论物理学家，目前在网络安全领域工作，担任Cyber Guru的研发总监。在加入Cyber Guru之前，他在IBM工作了15年，担任ITSM(IT服务管理)软件开发的领导。Leonida发表了多篇理论物理和计算机科学的论文，被授予IBM发明大师(IBM Master Inventor)。 　　Antonio Di Cecco是一位理论物理学家，拥有强大的数学背景。他完全致力于提供从入门到专家等不同层次的线上或线下AIML教育，使用深入挖掘AIML模型的数学基础的教育方法，并打开了新的角度来展示AIML知识和现有技术的改进空间。Antonio还拥有专注于创新和教学经验的经济学硕士学位。他还是一家意大利人工智能学院的领导，该学院在罗马和佩斯卡拉都有分支机构。 译者：郭涛，主要从事模式识别与人工智能、智能机器人、软件工程、地理人工智能(GeoAI)和时空大数据挖掘与分析等前沿交叉技术的研究。翻译出版了《复杂性思考：复杂性科学与计算模型（第2版）》《神经网络设计与实现》和《概率图模型及计算机视觉应用》等畅销书。\"

第1章 前景 1.1 AI可解释性示例 1.1.1 学习阶段 1.1.2 知识发现 1.1.3 可靠性和鲁棒性 1.1.4 三个示例的启示 1.2 ML和XAI 1.2.1 ML分类法 1.2.2 常见误解 1.3 对AI可解释性的需求 1.4 可解释性与可理解性：是否为表达相同事物的不同词语 1.4.1 从物质世界到人类 1.4.2 相关性不是因果性 1.4.3 那么可理解性和可解释性的区别是什么 1.5 使ML系统具备可解释性 1.5.1 XAI工作流程 1.5.2 全局视觉 1.6 我们真的需要ML模型的可解释性吗 1.7 小结 参考文献 第2章 AI可解释性：需求、机遇和挑战 2.1 人工介入 2.1.1 半人马座XAI系统 2.1.2 从“人工介入”的角度评估XAI 2.2 如何使ML模型具备可解释性 2.2.1 内在可解释性 2.2.2 事后可解释性 2.2.3 全局或局部可解释性 2.3 解释的性质 2.4 小结 参考文献 第3章 内在可解释性模型 3.1 损失函数 3.2 线性回归 3.3 逻辑回归 3.4 决策树 3.5 K最近邻算法（KNN) 3.6 小结 参考文献 第4章 XAI的模型不可知方法 4.1 全局可解释性：排序重要性与部分依赖图 4.1.1 根据排序重要性将特征排序 4.1.2 训练集中的排序重要性 4.1.3 部分依赖图 4.1.4 解释的性质 4.2 局部可解释性：XAI与Shapley加法解释 4.2.1 Shapley值：一种博弈论方法 4.2.2 SHAP的首次应用 4.2.3 解释的性质 4.3 KernelSHAP