Description
L'Apprentissage Machine Interprétable est un livre dédié à rendre les modèles d'apprentissage machine et leurs décisions interprétables. Le livre aborde le problème courant des ordinateurs qui n'expliquent pas leurs prédictions, ce qui peut entraîner des problèmes de confiance et des bogues non détectés. Il explore les concepts d'interprétabilité et introduit des modèles simples comme les arbres de décision et la régression linéaire. L'accent est mis sur des méthodes agnostiques au modèle telles que LIME et les valeurs de Shapley pour expliquer des prédictions individuelles, ainsi que l'importance des caractéristiques par permutation pour comprendre les relations générales entre caractéristiques et prédictions. Le livre couvre également des méthodes spécifiques aux réseaux de neurones profonds.
Chaque méthode d'interprétation est expliquée en profondeur, discutant de son fonctionnement, de ses forces et faiblesses, et de la manière de les interpréter. Cela permet aux lecteurs de sélectionner et d'appliquer la méthode d'interprétation la plus adaptée à leurs applications d'apprentissage machine. Le livre est recommandé aux praticiens de l'apprentissage machine, aux scientifiques des données, aux statisticiens et à quiconque s'intéresse à rendre les modèles interprétables.
L'auteur, Christoph Molnar, a commencé à écrire le livre comme un projet secondaire tout en travaillant comme statisticien. Surpris par le manque de ressources complètes sur le sujet, il a créé ce livre pour approfondir sa compréhension et partager ses idées. Le livre est devenu une ressource incontournable, cité par des chercheurs et utilisé par des étudiants et des instructeurs. Il a également été fondamental dans la carrière de l'auteur, inspirant son doctorat et son travail en tant qu'écrivain et consultant.
La 3ème édition comprend des mises à jour telles que de nouveaux chapitres sur LOFO et Ceteris Paribus, des introductions réorganisées, des exemples de données plus approfondis et des conseils pratiques. Le livre est sous licence CC BY-NC-SA 4.0.
Détails du livre
Couvre des méthodes agnostiques au modèle
Inclut des méthodes pour les réseaux de neurones profonds
Explique LIME et les valeurs de Shapley
Discute de l'importance des caractéristiques par permutation
Fournit une discussion critique des méthodes
Adapté aux praticiens et chercheurs
La 3ème édition comprend de nouveaux chapitres
Sous licence CC BY-NC-SA 4.0
À qui s'adresse ce livre
- Interprétabilité des modèles
- Éducation en science des données
- Citation de recherche
- Application industrielle
- Consultation
