可解释AI实战(PyTorch版)

\"可解释AI(Interpretable AI)将教会你识别模型所学习的模式及其产生结果的原因。通过阅读《可解释AI实战（PyTorch版）》，你将掌握一些用于解释白盒模型(如线性回归和广义可加模型)的方法，以及一些用于解释复杂深度学习模型的方法。可解释AI是一个快速发展的领域，本书将该领域的前沿研究简化为你可以在Python中实现的实际方法。 主要内容 ● 解释AI模型的技术 ● 最大限度地减少错误、偏见、数据泄露和概念漂移 ● 度量公平性和减少偏见 ● 构建符合GDPR的AI系统\"

　　Ajay Thampi 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。Ajay 目前在一家大型科技公司担任机器学习工程师，主要关注负责任的AI和AI公平性。在此之前，Ajay是微软的高级数据科学家，负责为各行各业(如制造业、零售业和金融业)的客户部署复杂的人工智能解决方案。

第Ⅰ部分 可解释基础知识 第1章 导论 1.1 Diagnostics+AI——AI系统示例 1.2 机器学习系统的类型 1.2.1 数据的表示 1.2.2 监督学习 1.2.3 无监督学习 1.2.4 强化学习 1.2.5 最适合Diagnosticst AI的机器学习系统 1.3 构建Diagnostics+AI 1.4 Diagnostics+的主要问题 1.4.1 数据泄露 1.4.2 偏见 1.4.3 监管不合规 1.4.4 概念漂移 1.5 如何解决这些主要问题 1.6 Interpretability与Explainability 1.7 你将在本书学到什么 1.7.1 本书使用的工具 1.7.2 阅读本书所需的基础知识 1.8 本章小结 第2章 白盒模型 2.1 白盒模型概述 2.2 Diagnostics+AI示例：预测糖尿病进展情况 2.3 线性回归 2.3.1 解释线性回归 2.3.2 线性回归的局限性 2.4 决策树 2.4.1 解释决策树 2.4.2 决策树的局限性 2.5 广义可加模型（GAM） 2.5.1 回归样条 2.5.2 GAM用于Diagnostics+AI预测糖尿病进展 2.5.3 解释GAM 2.5.4 GAM的局限性 2.6 展望黑盒模型 2.7 本章小结 第Ⅱ部分 解释模型处理 第3章 全局与模型无关可解释技术 3.1 高中生成绩预测器 3.2 集成树 3.3 解释随机森林 3.4 模型无关方法：全局可解释 3.4.1 部分依赖图 3.4.2 特征的相互作用 3.5 本章小结 第4章 局部与模型无关可解释技术 4.1 Diagnostics+AI示例：乳腺癌诊断 4.2 探索性数据分析 4.3 深度神经网络