Deskripsi
Pembelajaran Mesin yang Dapat Diinterpretasikan adalah buku yang didedikasikan untuk membuat model pembelajaran mesin dan keputusan mereka dapat diinterpretasikan. Buku ini membahas masalah umum di mana komputer tidak menjelaskan prediksi mereka, yang dapat menyebabkan masalah kepercayaan dan bug yang tidak terdeteksi. Ini mengeksplorasi konsep interpretabilitas dan memperkenalkan model sederhana seperti pohon keputusan dan regresi linier. Fokusnya adalah pada metode yang tidak bergantung pada model seperti LIME dan nilai Shapley untuk menjelaskan prediksi individu, serta pentingnya fitur permutasi untuk memahami hubungan umum antara fitur dan prediksi. Buku ini juga mencakup metode yang spesifik untuk jaringan saraf dalam.
Setiap metode interpretasi dijelaskan secara mendalam, membahas cara kerjanya, kekuatan dan kelemahannya, serta cara menginterpretasikannya. Ini memungkinkan pembaca untuk memilih dan menerapkan metode interpretasi yang paling sesuai untuk aplikasi pembelajaran mesin mereka. Buku ini direkomendasikan untuk praktisi pembelajaran mesin, ilmuwan data, ahli statistik, dan siapa saja yang tertarik untuk membuat model dapat diinterpretasikan.
Penulis, Christoph Molnar, mulai menulis buku ini sebagai proyek sampingan saat bekerja sebagai ahli statistik. Terkejut dengan kurangnya sumber daya komprehensif tentang topik ini, ia menciptakan buku ini untuk memperdalam pemahamannya dan berbagi wawasan. Buku ini telah menjadi sumber daya yang banyak dirujuk, dikutip oleh peneliti dan digunakan oleh mahasiswa serta pengajar. Ini juga telah menjadi dasar dalam karir penulis, menginspirasi gelar PhD-nya dan pekerjaannya sebagai penulis dan konsultan.
Edisi ke-3 mencakup pembaruan seperti bab baru tentang LOFO dan Ceteris Paribus, pengenalan yang diorganisir ulang, contoh data yang lebih mendalam, dan tips praktis. Buku ini dilisensikan di bawah lisensi CC BY-NC-SA 4.0.
Detail Buku
Mencakup metode yang tidak bergantung pada model
Termasuk metode untuk jaringan saraf dalam
Menjelaskan LIME dan nilai Shapley
Membahas pentingnya fitur permutasi
Memberikan diskusi kritis tentang metode
Cocok untuk praktisi dan peneliti
Edisi ke-3 mencakup bab baru
Dilindungi oleh lisensi CC BY-NC-SA 4.0
Untuk Siapa Buku Ini
- Interpretabilitas model
- Pendidikan ilmu data
- Kutipan penelitian
- Aplikasi industri
- Konsultasi
