Книга представляет собой исследование в области интерпретируемости и объяснимости моделей искусственного интеллекта, известных как модели "черного ящика". Авторы рассматривают различные методы и подходы, направленные на повышение адаптивности и понимания решений, принимаемых алгоритмами ИИ. Они используют такие инструменты, как библиотеки Python XAI, TensorFlow 2.0+, Keras, а также пользовательские фреймворки, основанные на Python.
Книга начинается с основных концепций интерпретируемости и объяснимости моделей. Авторы представляют читателю методы интерпретации линейных, нелинейных и временных рядовых моделей, используемых в области искусственного интеллекта. Они обсуждают, как алгоритмы принимают решения, и как сделать модели более понятными для человека.
Затем книга переходит к анализу моделей глубокого обучения. Авторы объясняют основы глубокого обучения и демонстрируют, как сделать такие модели более интерпретируемыми. Они предлагают практические рекомендации по использованию инструментов TensorFlow 2.0+, Keras и других фреймворков для достижения этой цели.
Каждая глава книги содержит примеры кода и иллюстрации, чтобы читатели могли лучше понять рассматриваемые концепции. Авторы также предлагают реальные примеры применения этих методов на практике, что помогает читателям увидеть, как интерпретация и объяснимость моделей могут быть полезны в различных областях, таких как медицина, финансы, и т.д.
В целом, книга предоставляет читателям глубокое понимание того, как работают модели искусственного интеллекта, а также методов и инструментов, которые могут быть использованы для их интерпретации и объяснения. Она адресована как студентам и исследователям в области машинного обучения и искусственного интеллекта, так и практикующим специалистам, которые заинтересованы в повышении прозрачности и понимания своих моделей.