电子书 Interpretable Machine Learning 《可解释的机器学习》
http://t.cn/RYH7XQ9
这本书5年前就开始写，现在已经是第三版了。
“
机器学习是我们产品、流程和研究的一部分。但是计算机通常不会解释它们的预测，这可能会引发许多问题，从信任问题到未检测到的错误。 本书主要讲述如何让机器学习模型及其决策可解释。

在探索可解释性概念后，您将学习简单的可解释模型，如决策树和线性回归。 本书重点关注黑箱模型可解释的模型无关方法。 一些与模型无关的方法（如 LIME 和 Shapley 值）可用于解释单个预测，而其他方法（如排列特征重要性和累积局部效应）可用于获取关于特征与预测之间更普遍关系的洞察。 此外，本书还介绍了深度神经网络的特定方法。

所有解释方法都得到了深入阐释和批判性讨论。它们是如何工作的？它们的优势和劣势是什么？如何对它们进行解释？ 本书将帮助您选择并正确应用最适合您机器学习应用的解读方法。 建议机器学习从业者、数据科学家、统计学家以及任何对使机器学习模型可解释感兴趣的人阅读本书。”
#AI创造营# #微博兴趣创作计划#