Машинное обучение для приложений высокого риска, Холл П., Кертис Дж., Панди П., 2025

Машинное обучение для приложений высокого риска, Холл П., Кертис Дж., Панди П., 2025.
 
   Книга представляет собой комплексное руководство по применению искусственного интеллекта и машинного обучения (ИИ/ML) с целью снижения рисков для современного бизнеса, связанного с использованием этих технологий. Рассмотрены основы управления рисками и компьютерной безопасности, нормативные акты, ответственность за качество продуктов, основанных на ML, а также объяснимые модели и методы их проверки, включая новый фреймворк управления рисками NIST AI. Читателю предложен углубленный взгляд на программирование с использованием Python и подробными примерами для структурированных и неструктурированных данных. Особое внимание уделяется объяснимым бустинговым машинам, библиотеке XGBoost и методам повышения качества моделей ML. Представлены основанные на реальном опыте советы о том, как организовать успешную работу с приложениями высокого риска. Приведены практические примеры, иллюстрирующие важность и сложность внедрения ML в различных отраслях.




Машинное обучение.
Ученые веками строили модели данных в стремлении больше узнать о наблюдаемых закономерностях. Объяснимые модели машинного обучения и апостериорное объяснение моделей машинного обучения представляют собой несколько запоздалое. но очень важное достижение в этой области. Поскольку модели ML легче и точнее изучают нелинейные, слабые и взаимодействующие сигналы по сравнению с традиционными линейными моделями, люди, использующие объяснимые модели ML и методы апостериорного объяснения, теперь также могут с большей легкостью исследовать выше упомянутые сигналы в своих данных.

В этой главе мы углубимся в важные идеи интерпретируемости и объяснимости, прежде чем перейти к базовым объяснимым методам моделирования и апостериорным объяснениям. Мы также рассмотрим основные ошибки апостериорного объяснения. многие из которых можно исправить, используя одновременно объяснимые модели и апостериорное объяснение. Далее мы обсудим практические вопросы применения объяснимых моделей и апостериорных объяснений, а именно документирование моделей и действенные меры в случае неправильных решений, которые повышают ответственность за системы ИИ. Глава завершится обсуждением так называемого «скандала уровня А» в Соединенном Королевстве (Великобритания), когда объяснимая, хорошо задокументированная модель приняла необъяснимые решения, что привело к инциденту с искусственным интеллектом национального масштаба.

ОГЛАВЛЕНИЕ.
Краткое оглавление.
Отзывы о книге.
Предисловие.
Введение.
Кому адресована эта книга.
Что вы узнаете из этой книги.
Соответствие системе управления рисками искусственного интеллекта NIST.
Структура книги.
Часть I.
Часть II.
Часть III.
Примеры наборов данных.
Кредитные данные Тайваня.
Данные рентгенографии грудной клетки Kaggle.
Условные обозначения, принятые в этой книге.
Архив с иллюстрациями к книге.
Благодарности.
ЧАСТЬ I. ТЕОРИЯ И ПРАКТИКА УПРАВЛЕНИЯ РИСКАМИ В ПРИЛОЖЕНИЯХ ИИ.
Глава 1. Современное управление рисками в ML.
Глава 2. Интерпретируемость и объяснимость.
Глава 3. Отладка систем машинного обучения.
Глава 4. Борьба с предвзятостью в машинном обучении.
Глава 5. Безопасность машинного обучения.
ЧАСТЬ II. УПРАВЛЕНИЕ РИСКАМИ ИИ В ДЕЙСТВИИ.
Глава 6. Объяснимые бустинговые машины и модели XGBoost.
Глава 7. Объяснение классификатора изображений PyTorch.
Глава 8. Выбор и отладка моделей XGBoost.
Глава 9. Отладка классификатора изображений PyTorch.
Глава 10. Тестирование и исправление предвзятости с помощью XGBoost.
Глава 11. Атака красной команды на XGBoost.
ЧАСТЬ III. ЗАКЛЮЧЕНИЕ.
Глава 12. Как добиться успеха в машинном обучении высокого риска.
Предметный указатель.
Об авторах.
Об изображении на обложке.


Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Купить .








Теги: учебник по информатике :: информатика :: компьютеры :: Холл :: Кертис :: Панди