설명
해석 가능한 기계 학습은 기계 학습 모델과 그 결정 과정을 해석 가능하게 만드는 데 전념하는 책입니다. 이 책은 컴퓨터가 예측을 설명하지 않는 일반적인 문제를 다루며, 이는 신뢰 문제와 발견되지 않은 버그로 이어질 수 있습니다. 해석 가능성의 개념을 탐구하고 결정 트리 및 선형 회귀와 같은 간단한 모델을 소개합니다. LIME 및 샤플리 값과 같은 모델에 구애받지 않는 방법을 통해 개별 예측을 설명하고, 일반적인 특성-예측 관계를 이해하기 위한 순열 특성 중요성을 중점적으로 다룹니다. 이 책은 심층 신경망에 특화된 방법도 포함하고 있습니다.
각 해석 방법은 깊이 있게 설명되며, 작동 방식, 강점과 약점, 해석 방법에 대해 논의합니다. 이를 통해 독자는 자신의 기계 학습 응용 프로그램에 가장 적합한 해석 방법을 선택하고 적용할 수 있습니다. 이 책은 기계 학습 실무자, 데이터 과학자, 통계학자 및 모델 해석 가능성에 관심 있는 모든 이에게 추천됩니다.
저자 크리스토프 몰나르는 통계학자로 일하면서 이 책을 사이드 프로젝트로 집필하기 시작했습니다. 이 주제에 대한 포괄적인 자료가 부족하다는 사실에 놀라워하며, 자신의 이해를 깊게 하고 통찰을 공유하기 위해 이 책을 만들었습니다. 이 책은 연구자들이 인용하고 학생들과 강사들이 사용하는 필수 자료가 되었습니다. 또한 저자의 경력에 기초가 되었으며, 그의 박사 학위와 작가 및 컨설턴트로서의 작업에 영감을 주었습니다.
3판에는 LOFO 및 Ceteris Paribus에 대한 새로운 장, 재구성된 소개, 심화된 데이터 예제 및 실용적인 팁과 같은 업데이트가 포함되어 있습니다. 이 책은 CC BY-NC-SA 4.0 라이센스 하에 배포됩니다.
도서 정보
모델에 구애받지 않는 방법을 다룸
심층 신경망을 위한 방법 포함
LIME 및 샤플리 값 설명
순열 특성 중요성 논의
방법에 대한 비판적 논의 제공
실무자 및 연구자에게 적합
3판에 새로운 장 포함
CC BY-NC-SA 4.0 라이센스 하에 배포
이 책의 대상 독자
- 모델 해석 가능성
- 데이터 과학 교육
- 연구 인용
- 산업 적용
- 컨설팅
