8月最新-《可解释机器学习-Christoph Molnar》-新书分享

点击上方“AI算法与图像处理”，选择加"星标"或“置顶”

重磅干货，每天8:25送达

来源：深度学习与NLP

    机器学习在改进产品、过程和研究方面拥有很大的潜力。但是机器学习模型预测的结果通常是不可解释的，这也是机器学习技术最大不足。本书主要讲解如何搭建机器学习模型，并使他们的预测结果是可解释的。

（文末附本书免费下载地址）

以前也发过相关的内容～  

深度学习模型真的无法被解释么？

反常识！深度神经网络并不是通过形状来识别物体的

    本书首先讲解可解释性的基本概念，然后讲解一些简单的、可解释的模型（Interpretable model），例如决策树、决策规则和线性回归。后面的章节集中于解释黑盒模型的一般模型不可知论的方法，如特征的重要性，以及累积的局部效应，以及用Shapley value和LIME解释单个预测。

    我们将对所有的解释方法进行深入地解释和讨论。本质上他们是如何工作的？他们的优势和劣势是什么？如何解释它们的输出？本书将使你学会选择并正确应用最适合你机器学习项目的解释方法。

    本书侧重于使用表格数据(也称为关系数据或结构化数据)的机器学习模型，较少涉及计算机视觉和自然语言处理任务。推荐机器学习从业者、数据科学家、统计学家和任何对机器学习模型的解释感兴趣的人阅读这本书。

目录

本书最新版下载地址

微信公众号回复关键字“auto2019”获取

end

交流群

扫码添加助手，可申请加入AI_study交流群。一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡西），不根据格式申请，一律不通过。

【目前已有众多知名高校学生和从业者在群里面学习成长，期待你的加入】

推荐阅读：

微软亚洲研究院（MSRA）推荐的计算机视觉的项目

超酷炫！Facebook用深度学习和弱监督学习绘制全球精准道路图

你点的每个“在看”，我都认真当成了喜欢