Descripción
El Aprendizaje Automático Interpretable es un libro dedicado a hacer que los modelos de aprendizaje automático y sus decisiones sean interpretables. El libro aborda el problema común de que las computadoras no explican sus predicciones, lo que puede llevar a problemas de confianza y errores no detectados. Explora los conceptos de interpretabilidad e introduce modelos simples como árboles de decisión y regresión lineal. El enfoque está en métodos independientes del modelo como LIME y valores de Shapley para explicar predicciones individuales, y la importancia de características por permutación para entender las relaciones generales entre características y predicciones.
Leer más
Cada método de interpretación se explica en profundidad, discutiendo cómo funcionan, sus fortalezas y debilidades, y cómo interpretarlos. Esto permite a los lectores seleccionar y aplicar el método de interpretación más adecuado para sus aplicaciones de aprendizaje automático. El libro es recomendado para profesionales del aprendizaje automático, científicos de datos, estadísticos y cualquier persona interesada en hacer que los modelos sean interpretables.
El autor, Christoph Molnar, comenzó a escribir el libro como un proyecto paralelo mientras trabajaba como estadístico. Sorprendido por la falta de recursos completos sobre el tema, creó este libro para profundizar su comprensión y compartir conocimientos. El libro se ha convertido en un recurso de referencia, citado por investigadores y utilizado por estudiantes e instructores. También ha sido fundamental en la carrera del autor, inspirando su doctorado y su trabajo como escritor y consultor.
La 3ª edición incluye actualizaciones como nuevos capítulos sobre LOFO y Ceteris Paribus, introducciones reorganizadas, ejemplos de datos más profundos y consejos prácticos. El libro está licenciado bajo la licencia CC BY-NC-SA 4.0.
- CategoríaEducación e investigación
Detalles del libro
Cubre métodos independientes del modelo
Incluye métodos para redes neuronales profundas
Explica LIME y valores de Shapley
Discute la importancia de características por permutación
Proporciona una discusión crítica de los métodos
Adecuado para profesionales e investigadores
La 3ª edición incluye nuevos capítulos
Licenciado bajo CC BY-NC-SA 4.0
Para quién es este libro
- Interpretabilidad de modelos
- Educación en ciencia de datos
- Citación en investigación
- Aplicación en la industria
- Consultoría
