Python可解释AI(XAI)实战

"怎样才能有效地向A业务和利益相关者解释Al的决策?你需要仔细规划、设计和可视化。要解决的问题、模型以及变量之间的关系通常是微妙、出乎意料和复杂的。 《Python可解释AI（XAI）实战》通过几个精心设计的项目让你在实践中掌握众多XAI工具和方法，而不是仅仅停留在理论和概念上。你将动手构建模型，可视化解释结果，并集成XAI工具。 你将使用Python、TensorFlow 2、Google Cloud XAI平台、Google Colaboratory和其他框架构建XAI解决方案，以打开机器学习模型的黑匣子。本书涵盖多个可在整个机器学习项目生命周期中使用的Python开源XAI工具。 你将学习如何探索机器学习模型结果，检查关键影响变量和变量关系，检测和处理偏见和道德伦理及法律问题，以及将机器学习模型可视化到用户界面中。 读完这本书，你将深入了解XAI的核心概念并掌握多个XAI工具和方法。 "

怎样才能有效地向AI业务和利益相关者解释AI的决策？你需要仔细规划、设计和可视化。要解决的问题、模型以及变量之间的关系通常是微妙、出乎意料和复杂的。 本书通过几个精心设计的项目让你在实践中掌握众多XAI工具和方法，而不是仅仅停留在理论和概念上。你将动手构建模型，可视化解释结果，并集成XAI工具。 你将使用Python、TensorFlow 2、Google Cloud XAI平台、Google Colaboratory和其他框架构建XAI解决方案，以打开机器学习模型的黑匣子。本书涵盖多个可在整个机器学习项目生命周期中使用的Python开源XAI工具。 你将学习如何探索机器学习模型结果，检查关键影响变量和变量关系，检测和处理偏见和道德伦理及法律问题，以及将机器学习模型可视化到用户界面中。

"Denis Rothman 毕业于索邦大学和巴黎-狄德罗大学，他写过最早的word2vectorembedding 解决方案之一。职业生涯伊始，他就创作了第一批AI 认知自然语言处理(NLP)聊天机器人之一，该聊天机器人为语言教学应用程序，用于Moët et Chandon 以及其他公司。他也为IBM 和服装生产商编写了一个AI 资源优化器。之后，他还编写了一种在全球范围内使用的高级计划和排程(APS)解决方案。 “我要感谢那些从一开始就信任我的公司，是它们把AI 解决方案委托于我，并分担持续创新所带来的风险。我还要感谢我的家人，他们一直相信我会取得成功。”"

第1章 使用Python 解释AI
1.1 可解释AI 的定义
1.1.1 从黑盒模型到XAI 白盒模型
1.1.2 解释和阐释
1.2 设计和提取
1.3 医学诊断时间线中的XAI
1.3.1 全科医生使用的标准AI程序
1.3.2 西尼罗河病毒——一个生死攸关的案例
1.3.3 Google Location History 与XAI的结合可以拯救生命
1.3.4 下载Google Location History
1.3.5 读取和显示Google Location History
1.3.6 用XAI 增强AI 诊断
1.3.7 将XAI 应用于医学诊断实验性程序
1.4 本章小结
1.5 习题
1.6 参考资料
1.7 扩展阅读
第2章 AI偏差和道德方面的白盒XAI
2.1 自动驾驶汽车系统AI的道德和偏差
2.1.1 自动驾驶系统在生死关头是如何做决策的
2.1.2 电车难题
2.1.3 麻省理工学院的道德机器实验
2.1.4 真实的生死攸关情景
2.1.5 从道德伦理上解释AI的局限性
2.2 对自动驾驶决策树的解释
2.2.1 自动驾驶系统的两难困境
2.2.2 导入模块
2.2.3 检索数据集
2.2.4 读取和拆分数据
2.2.5 决策树分类器的理论描述
2.2.6 创建默认的决策树分类器
2.2.7 训练、测量、保存模型
2.2.8 显示决策树
2.3 将XAI应用于自动驾驶决策树
2.4 使用XAI和道德来控制决策树
2.4.1 加载模型
2.4.2 测量准确率
2.4.3 模拟实时案例
2.4.4 由噪声引起的ML偏差
2.4.5 将道德和法律引入ML
2.6 本章小结
2.7 习题
2.8 参考资料
2.9 扩展阅读
第3章 用Facets解释ML
3.1 Facets 入门
……
第4章 Microsoft Azure机器学习
第5章 从零开始构建可解释AI解决方案
第6章 用Google What-If Tool(WIT)
第7章 可解释AI 聊天机器人
第8章 LIME
第9章 反事实解释法
第10章 对比解释法(CEM)
第11章 锚解释法
第12章 认知解释法