{"product_id":"139462","title":"Intelligence artificielle explicable (XAI) : dissection de l'intelligence artificielle ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPBvoVFGKLvSADMoCo2RCXMA2Z2l.png?v=1765074976\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e XAI : Intelligence artificielle explicable, dissection de l’intelligence artificielle \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/89583774\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e L'XAI (intelligence artificielle explicable) est un domaine de recherche qui explique les raisons du jugement de l'intelligence artificielle, et sa nécessité croît à mesure que la technologie de l'intelligence artificielle se développe.\u003cbr\u003e Cela contraste avec l'IA « boîte noire », où même les concepteurs de l'algorithme ne peuvent expliquer le raisonnement qui sous-tend les décisions de l'IA. L'IA explicable (XAI) élimine l'incertitude qui entoure le processus décisionnel de l'IA, augmentant ainsi sa fiabilité.\u003cbr\u003e \u003cbr\u003eCet ouvrage présente les techniques d'IA explicable (XAI) applicables aux méthodes d'apprentissage automatique traditionnelles ainsi qu'aux modèles d'apprentissage profond de pointe. L'IA explicable étant une technologie qui déduit les raisons sous-jacentes aux décisions de l'IA, la mise en œuvre de ces techniques est aussi importante que la théorie elle-même.\u003cbr\u003e Par conséquent, ce livre inclut des exemples de code qui n'étaient pas abordés dans les ouvrages existants sur l'IAX.\u003cbr\u003e Vous pouvez d'abord apprendre la théorie, puis suivre le code correspondant pour vérifier directement les résultats de l'analyse XAI sans installation séparée.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e▣ Chapitre 1 : Ouverture de l'histoire\u003c\/b\u003e\u003cbr\u003e 1.1.\u003cbr\u003e Le projet d'innovation de la DARPA\u003cbr\u003e 1.2. XAI (2016-2021)\u003cbr\u003e 1.3. Conditions pour une bonne réalisation de l'IA explicable\u003cbr\u003e ___1.3.1.\u003cbr\u003e Posséder une compréhension approfondie des théories existantes en matière d'apprentissage automatique\u003cbr\u003e ___1.3.2.\u003cbr\u003e Réfléchir à la manière d'intégrer le modèle explicatif\u003cbr\u003e 1.4.\u003cbr\u003e XAI et apprentissage profond : XAI utilisant xgboost ?\u003cbr\u003e 1.5. \u003cbr\u003eMerci\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 2 : Créer un environnement de pratique\u003c\/b\u003e\u003cbr\u003e 2.1.\u003cbr\u003e Installer Python\u003cbr\u003e 2.2. Installation de PIP\u003cbr\u003e 2.3.\u003cbr\u003e Installation de TensorFlow\u003cbr\u003e 2.4.\u003cbr\u003e Carnet Jupyter\u003cbr\u003e 2.4.1.\u003cbr\u003e Vérifier l'installation de Tensorflow-GPU\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 3 : Préparation au développement de l’IA explicable\u003c\/b\u003e\u003cbr\u003e 3.1.\u003cbr\u003e Comprendre l'apprentissage automatique\u003cbr\u003e 3.2.\u003cbr\u003e Un aperçu de l'intérieur de la boîte noire\u003cbr\u003e 3.3.\u003cbr\u003e Comprendre la différence entre la visualisation et l'IA explicable\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 4 : Arbre de décision\u003c\/b\u003e\u003cbr\u003e 4.1.\u003cbr\u003e Visualisation d'arbre de décision\u003cbr\u003e 4.2.\u003cbr\u003e Déterminer l'importance des caractéristiques\u003cbr\u003e 4.3.\u003cbr\u003e Tracé d'un diagramme de dépendance partielle (PDP)\u003cbr\u003e 4.4. Utilisation de XGBoost\u003cbr\u003e 4.4.1. Avantages de XGBoost\u003cbr\u003e 4.4.2. XGBoost n'est pas un apprentissage profond.\u003cbr\u003e ___4.4.3.\u003cbr\u003e Principes de base\u003cbr\u003e ___4.4.4.\u003cbr\u003e Paramètres\u003cbr\u003e ___4.4.5.\u003cbr\u003e Actions concrètes et conseils\u003cbr\u003e 4.5.\u003cbr\u003e Exercice 1 : Modèle de décision relatif au diabète chez les Indiens Pima\u003cbr\u003e ___4.5.1.\u003cbr\u003e Apprendre\u003cbr\u003e ___4.5.2.\u003cbr\u003e Combinaison de modèles explicables\u003cbr\u003e ___4.5.3.\u003cbr\u003e Réglage du modèle\u003cbr\u003e ___4.5.4.\u003cbr\u003e En conclusion\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 5 : Analyse par procuration\u003c\/b\u003e\u003cbr\u003e 5.1.\u003cbr\u003e Introduction à l'analyse par procuration\u003cbr\u003e ___5.1.1.\u003cbr\u003e Analyse globale par procuration\u003cbr\u003e ___5.1.2.\u003cbr\u003e Analyse de substitution locale\u003cbr\u003e 5.2. CHAUX\u003cbr\u003e ___5.2.1. Comprendre intuitivement l'algorithme LIME\u003cbr\u003e ___5.2.2.\u003cbr\u003e Théorie de base  \u003cbr\u003e___5.2.3.\u003cbr\u003e Exercice 2 : Application de LIME aux données textuelles\u003cbr\u003e ___5.2.4.\u003cbr\u003e Exercice 3 : Application de LIME aux données d’image\u003cbr\u003e ___5.2.5.\u003cbr\u003e En conclusion\u003cbr\u003e 5.3. SHAP (Explications additives SHapley)\u003cbr\u003e ___5.3.1.\u003cbr\u003e Théorie de base\u003cbr\u003e ___5.3.2.\u003cbr\u003e Exercice 4 : Utiliser les valeurs de Shapley dans une start-up de l'économie du partage\u003cbr\u003e ___5.3.3.\u003cbr\u003e Exercice 5 : Détermination des prix de l'immobilier à Boston\u003cbr\u003e ___5.3.4.\u003cbr\u003e En conclusion\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 6 : Visualisation des filtres\u003c\/b\u003e\u003cbr\u003e 6.1.\u003cbr\u003e visualisation des filtres d'image\u003cbr\u003e 6.2.\u003cbr\u003e Combinaison de modèles explicables\u003cbr\u003e ___6.2.1.\u003cbr\u003e Réseaux neuronaux convolutifs et filtres\u003cbr\u003e 6.3.\u003cbr\u003e Construction d'un réseau neuronal convolutif\u003cbr\u003e 6.4.\u003cbr\u003e Exercice 6 : Visualisation des réseaux neuronaux convolutifs\u003cbr\u003e ___6.4.1.\u003cbr\u003e Visualisez les valeurs d'entrée et comparez-les aux valeurs prédites.\u003cbr\u003e ___6.4.2.\u003cbr\u003e Visualisation des filtres\u003cbr\u003e 6.5.\u003cbr\u003e En conclusion\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 07 : LRP (Propagation de la pertinence par couche)\u003c\/b\u003e\u003cbr\u003e 7.1.\u003cbr\u003e Théorie de base\u003cbr\u003e ___7.1.1.\u003cbr\u003e Décomposition\u003cbr\u003e ___7.1.2.\u003cbr\u003e propagation de la validité\u003cbr\u003e 7.2.\u003cbr\u003e Exercice 7 : Déballage des réseaux neuronaux convolutifs\u003cbr\u003e ___7.2.1.\u003cbr\u003e Entraînement d'un réseau neuronal convolutif\u003cbr\u003e ___7.2.2.\u003cbr\u003e Obtention d'un sous-graphe de réseau neuronal convolutif\u003cbr\u003e ___7.2.3. \u003cbr\u003eApplication de LRP aux réseaux neuronaux convolutifs\u003cbr\u003e 7.3. Tendances de l'apprentissage profond et de l'IA explicable avant et après l'émergence de la programmation par renforcement linéaire (LRP).\u003cbr\u003e 7.4.\u003cbr\u003e En conclusion\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 8 : Analyse pratique 1 : Arbres de décision et IA explicable\u003c\/b\u003e\u003cbr\u003e 8.1.\u003cbr\u003e Création d'une IA pour l'analyse des prêts de crédit\u003cbr\u003e ___8.1.1.\u003cbr\u003e Description des données\u003cbr\u003e ___8.1.2.\u003cbr\u003e Description de la colonne\u003cbr\u003e ___8.1.3.\u003cbr\u003e Données d'importation\u003cbr\u003e ___8.1.4.\u003cbr\u003e Données d'apprentissage\u003cbr\u003e 8.2. Combinaison de l'IA explicable\u003cbr\u003e 8.3. Comprendre le modèle avec l'IA explicable\u003cbr\u003e 8.4. Établir une base pour l'amélioration du modèle avec l'IA explicable\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 9 : Analyse pratique 2 : LRP et XAI\u003c\/b\u003e\u003cbr\u003e 9.1.\u003cbr\u003e Construction d'un modèle d'analyse des sentiments\u003cbr\u003e ___9.1.1.\u003cbr\u003e Description des données\u003cbr\u003e ___9.1.2.\u003cbr\u003e Description de la colonne\u003cbr\u003e ___9.1.3.\u003cbr\u003e Données d'importation\u003cbr\u003e ___9.1.4.\u003cbr\u003e Données d'apprentissage\u003cbr\u003e 9.2. Combinaison de l'IA explicable\u003cbr\u003e 9.3. Amélioration de l'IA d'origine avec XAI\u003cbr\u003e 9.4.\u003cbr\u003e Avis\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 10 : Conclusion de l’histoire\u003c\/b\u003e\u003cbr\u003e 10.1.\u003cbr\u003e Découverte de la matière noire\u003cbr\u003e 10.2.\u003cbr\u003e Ajout de XAI à un modèle existant\u003cbr\u003e 10.3. L'avenir de l'IA explicable\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 11 : Références\u003c\/b\u003e\u003cbr\u003e 11.1. Installation de la bibliothèque d'exercices XAI\u003cbr\u003e ___11.1.1.\u003cbr\u003e Installer Python\u003cbr\u003e ___11.1.2.\u003cbr\u003e Installation des bibliothèques Python\u003cbr\u003e ___11.1.3.\u003cbr\u003e Installation de TensorFlow\u003cbr\u003e 11.2. \u003cbr\u003egraphique en chandeliers\u003cbr\u003e 11.3.\u003cbr\u003e matrice de confusion\u003cbr\u003e ___11.3.1.\u003cbr\u003e Précision\u003cbr\u003e ___11.3.2.\u003cbr\u003e Précision\u003cbr\u003e ___11.3.3.\u003cbr\u003e Sensibilité (ou rappel)\u003cbr\u003e ___11.3.4.\u003cbr\u003e Spécificité\u003cbr\u003e ___11.3.5.\u003cbr\u003e taux de retombées\u003cbr\u003e ___11.3.6.\u003cbr\u003e Score F1\u003cbr\u003e 11.4.\u003cbr\u003e TensorFlow Slim\u003cbr\u003e 11.5.\u003cbr\u003e Normalisation\u003cbr\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate2996\/MidCate005\/299545119.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e★ Ce que ce livre aborde ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Importance de la fonctionnalité\u003cbr\u003e ◎ Diagramme de dépendance partielle\u003cbr\u003e ◎ Construction d'un modèle XGBoost\u003cbr\u003e ◎ LIME (Explications locales interprétables et indépendantes du modèle)\u003cbr\u003e ◎ SHAP (Explications additives SHapley)\u003cbr\u003e ◎ Visualisation des filtres\u003cbr\u003e ◎ Construction d'un réseau neuronal convolutif (CNN)\u003cbr\u003e ◎ LRP (Propagation de la pertinence par couche)\u003cbr\u003e ◎ Analyse pratique 1 : Construction et explication d’un modèle d’analyse de crédit\u003cbr\u003e ◎ Analyse pratique 2 : Construction et explication d’un modèle d’analyse des sentiments photographiques\u003cbr\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate de publication :\u003c\/strong\u003e 27 mars 2020\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 340 pages | 175 × 235 × 18 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158392000\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1158392001 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e \n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893357248554,"sku":"139462","price":38.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/f0f7f073e84bdcc5dfa54b017f2a89ef.jpg?v=1765398265","url":"https:\/\/librairie.coreenne.fr\/products\/139462","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}