Beschreibung
Interpretierbares Maschinelles Lernen ist ein Buch, das sich der Interpretierbarkeit von maschinellen Lernmodellen und deren Entscheidungen widmet. Das Buch behandelt das häufige Problem, dass Computer ihre Vorhersagen nicht erklären, was zu Vertrauensproblemen und unentdeckten Fehlern führen kann. Es untersucht die Konzepte der Interpretierbarkeit und führt einfache Modelle wie Entscheidungsbäume und lineare Regression ein. Der Fokus liegt auf modellunabhängigen Methoden wie LIME und Shapley-Werten zur Erklärung individueller Vorhersagen sowie der Permutationsmerkmalsbedeutung zum Verständnis allgemeiner Merkmals-Vorhersage-Beziehungen. Das Buch behandelt auch spezifische Methoden für tiefe neuronale Netzwerke.
Weiterlesen
Jede Interpretationsmethode wird ausführlich erklärt, wobei erörtert wird, wie sie funktionieren, ihre Stärken und Schwächen und wie man sie interpretiert. Dies ermöglicht es den Lesern, die am besten geeignete Interpretationsmethode für ihre Anwendungen im maschinellen Lernen auszuwählen und anzuwenden. Das Buch wird für Praktiker im maschinellen Lernen, Datenwissenschaftler, Statistiker und alle, die an der Interpretierbarkeit von Modellen interessiert sind, empfohlen.
Der Autor, Christoph Molnar, begann, das Buch als Nebenprojekt zu schreiben, während er als Statistiker arbeitete. Überrascht von dem Mangel an umfassenden Ressourcen zu diesem Thema, schuf er dieses Buch, um sein Verständnis zu vertiefen und Einblicke zu teilen. Das Buch ist zu einer wichtigen Ressource geworden, die von Forschern zitiert und von Studenten und Dozenten genutzt wird. Es war auch grundlegend für die Karriere des Autors und inspirierte seine Promotion sowie seine Arbeit als Schriftsteller und Berater.
Die 3. Auflage enthält Aktualisierungen wie neue Kapitel zu LOFO und Ceteris Paribus, reorganisierte Einführungen, tiefere Datenbeispiele und praktische Tipps. Das Buch ist unter der Lizenz CC BY-NC-SA 4.0 lizenziert.
- KategorieBildung & Forschung
Buchdetails
Behandelt modellunabhängige Methoden
Enthält Methoden für tiefe neuronale Netzwerke
Erklärt LIME und Shapley-Werte
Diskutiert die Permutationsmerkmalsbedeutung
Bietet kritische Diskussionen zu Methoden
Geeignet für Praktiker und Forscher
3. Auflage enthält neue Kapitel
Lizenziert unter CC BY-NC-SA 4.0
Für wen dieses Buch ist
- Modellinterpretierbarkeit
- Datenwissenschaftsausbildung
- Forschungszitation
- Anwendung in der Industrie
- Beratung
