XAI : Intelligence artificielle explicable, dissection de l’intelligence artificielle
 |
Description
Introduction au livre
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.
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.
Cet 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.
Par conséquent, ce livre inclut des exemples de code qui n'étaient pas abordés dans les ouvrages existants sur l'IAX.
Vous pouvez d'abord apprendre la théorie, puis suivre le code correspondant pour vérifier directement les résultats de l'analyse XAI sans installation séparée.
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.
Cet 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.
Par conséquent, ce livre inclut des exemples de code qui n'étaient pas abordés dans les ouvrages existants sur l'IAX.
Vous pouvez d'abord apprendre la théorie, puis suivre le code correspondant pour vérifier directement les résultats de l'analyse XAI sans installation séparée.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
▣ Chapitre 1 : Ouverture de l'histoire
1.1.
Le projet d'innovation de la DARPA
1.2. XAI (2016-2021)
1.3. Conditions pour une bonne réalisation de l'IA explicable
___1.3.1.
Posséder une compréhension approfondie des théories existantes en matière d'apprentissage automatique
___1.3.2.
Réfléchir à la manière d'intégrer le modèle explicatif
1.4.
XAI et apprentissage profond : XAI utilisant xgboost ?
1.5.
Merci
▣ Chapitre 2 : Créer un environnement de pratique
2.1.
Installer Python
2.2. Installation de PIP
2.3.
Installation de TensorFlow
2.4.
Carnet Jupyter
2.4.1.
Vérifier l'installation de Tensorflow-GPU
▣ Chapitre 3 : Préparation au développement de l’IA explicable
3.1.
Comprendre l'apprentissage automatique
3.2.
Un aperçu de l'intérieur de la boîte noire
3.3.
Comprendre la différence entre la visualisation et l'IA explicable
▣ Chapitre 4 : Arbre de décision
4.1.
Visualisation d'arbre de décision
4.2.
Déterminer l'importance des caractéristiques
4.3.
Tracé d'un diagramme de dépendance partielle (PDP)
4.4. Utilisation de XGBoost
4.4.1. Avantages de XGBoost
4.4.2. XGBoost n'est pas un apprentissage profond.
___4.4.3.
Principes de base
___4.4.4.
Paramètres
___4.4.5.
Actions concrètes et conseils
4.5.
Exercice 1 : Modèle de décision relatif au diabète chez les Indiens Pima
___4.5.1.
Apprendre
___4.5.2.
Combinaison de modèles explicables
___4.5.3.
Réglage du modèle
___4.5.4.
En conclusion
▣ Chapitre 5 : Analyse par procuration
5.1.
Introduction à l'analyse par procuration
___5.1.1.
Analyse globale par procuration
___5.1.2.
Analyse de substitution locale
5.2. CHAUX
___5.2.1. Comprendre intuitivement l'algorithme LIME
___5.2.2.
Théorie de base
___5.2.3.
Exercice 2 : Application de LIME aux données textuelles
___5.2.4.
Exercice 3 : Application de LIME aux données d’image
___5.2.5.
En conclusion
5.3. SHAP (Explications additives SHapley)
___5.3.1.
Théorie de base
___5.3.2.
Exercice 4 : Utiliser les valeurs de Shapley dans une start-up de l'économie du partage
___5.3.3.
Exercice 5 : Détermination des prix de l'immobilier à Boston
___5.3.4.
En conclusion
▣ Chapitre 6 : Visualisation des filtres
6.1.
visualisation des filtres d'image
6.2.
Combinaison de modèles explicables
___6.2.1.
Réseaux neuronaux convolutifs et filtres
6.3.
Construction d'un réseau neuronal convolutif
6.4.
Exercice 6 : Visualisation des réseaux neuronaux convolutifs
___6.4.1.
Visualisez les valeurs d'entrée et comparez-les aux valeurs prédites.
___6.4.2.
Visualisation des filtres
6.5.
En conclusion
▣ Chapitre 07 : LRP (Propagation de la pertinence par couche)
7.1.
Théorie de base
___7.1.1.
Décomposition
___7.1.2.
propagation de la validité
7.2.
Exercice 7 : Déballage des réseaux neuronaux convolutifs
___7.2.1.
Entraînement d'un réseau neuronal convolutif
___7.2.2.
Obtention d'un sous-graphe de réseau neuronal convolutif
___7.2.3.
Application de LRP aux réseaux neuronaux convolutifs
7.3. Tendances de l'apprentissage profond et de l'IA explicable avant et après l'émergence de la programmation par renforcement linéaire (LRP).
7.4.
En conclusion
▣ Chapitre 8 : Analyse pratique 1 : Arbres de décision et IA explicable
8.1.
Création d'une IA pour l'analyse des prêts de crédit
___8.1.1.
Description des données
___8.1.2.
Description de la colonne
___8.1.3.
Données d'importation
___8.1.4.
Données d'apprentissage
8.2. Combinaison de l'IA explicable
8.3. Comprendre le modèle avec l'IA explicable
8.4. Établir une base pour l'amélioration du modèle avec l'IA explicable
▣ Chapitre 9 : Analyse pratique 2 : LRP et XAI
9.1.
Construction d'un modèle d'analyse des sentiments
___9.1.1.
Description des données
___9.1.2.
Description de la colonne
___9.1.3.
Données d'importation
___9.1.4.
Données d'apprentissage
9.2. Combinaison de l'IA explicable
9.3. Amélioration de l'IA d'origine avec XAI
9.4.
Avis
▣ Chapitre 10 : Conclusion de l’histoire
10.1.
Découverte de la matière noire
10.2.
Ajout de XAI à un modèle existant
10.3. L'avenir de l'IA explicable
▣ Chapitre 11 : Références
11.1. Installation de la bibliothèque d'exercices XAI
___11.1.1.
Installer Python
___11.1.2.
Installation des bibliothèques Python
___11.1.3.
Installation de TensorFlow
11.2.
graphique en chandeliers
11.3.
matrice de confusion
___11.3.1.
Précision
___11.3.2.
Précision
___11.3.3.
Sensibilité (ou rappel)
___11.3.4.
Spécificité
___11.3.5.
taux de retombées
___11.3.6.
Score F1
11.4.
TensorFlow Slim
11.5.
Normalisation
1.1.
Le projet d'innovation de la DARPA
1.2. XAI (2016-2021)
1.3. Conditions pour une bonne réalisation de l'IA explicable
___1.3.1.
Posséder une compréhension approfondie des théories existantes en matière d'apprentissage automatique
___1.3.2.
Réfléchir à la manière d'intégrer le modèle explicatif
1.4.
XAI et apprentissage profond : XAI utilisant xgboost ?
1.5.
Merci
▣ Chapitre 2 : Créer un environnement de pratique
2.1.
Installer Python
2.2. Installation de PIP
2.3.
Installation de TensorFlow
2.4.
Carnet Jupyter
2.4.1.
Vérifier l'installation de Tensorflow-GPU
▣ Chapitre 3 : Préparation au développement de l’IA explicable
3.1.
Comprendre l'apprentissage automatique
3.2.
Un aperçu de l'intérieur de la boîte noire
3.3.
Comprendre la différence entre la visualisation et l'IA explicable
▣ Chapitre 4 : Arbre de décision
4.1.
Visualisation d'arbre de décision
4.2.
Déterminer l'importance des caractéristiques
4.3.
Tracé d'un diagramme de dépendance partielle (PDP)
4.4. Utilisation de XGBoost
4.4.1. Avantages de XGBoost
4.4.2. XGBoost n'est pas un apprentissage profond.
___4.4.3.
Principes de base
___4.4.4.
Paramètres
___4.4.5.
Actions concrètes et conseils
4.5.
Exercice 1 : Modèle de décision relatif au diabète chez les Indiens Pima
___4.5.1.
Apprendre
___4.5.2.
Combinaison de modèles explicables
___4.5.3.
Réglage du modèle
___4.5.4.
En conclusion
▣ Chapitre 5 : Analyse par procuration
5.1.
Introduction à l'analyse par procuration
___5.1.1.
Analyse globale par procuration
___5.1.2.
Analyse de substitution locale
5.2. CHAUX
___5.2.1. Comprendre intuitivement l'algorithme LIME
___5.2.2.
Théorie de base
___5.2.3.
Exercice 2 : Application de LIME aux données textuelles
___5.2.4.
Exercice 3 : Application de LIME aux données d’image
___5.2.5.
En conclusion
5.3. SHAP (Explications additives SHapley)
___5.3.1.
Théorie de base
___5.3.2.
Exercice 4 : Utiliser les valeurs de Shapley dans une start-up de l'économie du partage
___5.3.3.
Exercice 5 : Détermination des prix de l'immobilier à Boston
___5.3.4.
En conclusion
▣ Chapitre 6 : Visualisation des filtres
6.1.
visualisation des filtres d'image
6.2.
Combinaison de modèles explicables
___6.2.1.
Réseaux neuronaux convolutifs et filtres
6.3.
Construction d'un réseau neuronal convolutif
6.4.
Exercice 6 : Visualisation des réseaux neuronaux convolutifs
___6.4.1.
Visualisez les valeurs d'entrée et comparez-les aux valeurs prédites.
___6.4.2.
Visualisation des filtres
6.5.
En conclusion
▣ Chapitre 07 : LRP (Propagation de la pertinence par couche)
7.1.
Théorie de base
___7.1.1.
Décomposition
___7.1.2.
propagation de la validité
7.2.
Exercice 7 : Déballage des réseaux neuronaux convolutifs
___7.2.1.
Entraînement d'un réseau neuronal convolutif
___7.2.2.
Obtention d'un sous-graphe de réseau neuronal convolutif
___7.2.3.
Application de LRP aux réseaux neuronaux convolutifs
7.3. Tendances de l'apprentissage profond et de l'IA explicable avant et après l'émergence de la programmation par renforcement linéaire (LRP).
7.4.
En conclusion
▣ Chapitre 8 : Analyse pratique 1 : Arbres de décision et IA explicable
8.1.
Création d'une IA pour l'analyse des prêts de crédit
___8.1.1.
Description des données
___8.1.2.
Description de la colonne
___8.1.3.
Données d'importation
___8.1.4.
Données d'apprentissage
8.2. Combinaison de l'IA explicable
8.3. Comprendre le modèle avec l'IA explicable
8.4. Établir une base pour l'amélioration du modèle avec l'IA explicable
▣ Chapitre 9 : Analyse pratique 2 : LRP et XAI
9.1.
Construction d'un modèle d'analyse des sentiments
___9.1.1.
Description des données
___9.1.2.
Description de la colonne
___9.1.3.
Données d'importation
___9.1.4.
Données d'apprentissage
9.2. Combinaison de l'IA explicable
9.3. Amélioration de l'IA d'origine avec XAI
9.4.
Avis
▣ Chapitre 10 : Conclusion de l’histoire
10.1.
Découverte de la matière noire
10.2.
Ajout de XAI à un modèle existant
10.3. L'avenir de l'IA explicable
▣ Chapitre 11 : Références
11.1. Installation de la bibliothèque d'exercices XAI
___11.1.1.
Installer Python
___11.1.2.
Installation des bibliothèques Python
___11.1.3.
Installation de TensorFlow
11.2.
graphique en chandeliers
11.3.
matrice de confusion
___11.3.1.
Précision
___11.3.2.
Précision
___11.3.3.
Sensibilité (ou rappel)
___11.3.4.
Spécificité
___11.3.5.
taux de retombées
___11.3.6.
Score F1
11.4.
TensorFlow Slim
11.5.
Normalisation
Image détaillée
Avis de l'éditeur
★ Ce que ce livre aborde ★
◎ Importance de la fonctionnalité
◎ Diagramme de dépendance partielle
◎ Construction d'un modèle XGBoost
◎ LIME (Explications locales interprétables et indépendantes du modèle)
◎ SHAP (Explications additives SHapley)
◎ Visualisation des filtres
◎ Construction d'un réseau neuronal convolutif (CNN)
◎ LRP (Propagation de la pertinence par couche)
◎ Analyse pratique 1 : Construction et explication d’un modèle d’analyse de crédit
◎ Analyse pratique 2 : Construction et explication d’un modèle d’analyse des sentiments photographiques
◎ Importance de la fonctionnalité
◎ Diagramme de dépendance partielle
◎ Construction d'un modèle XGBoost
◎ LIME (Explications locales interprétables et indépendantes du modèle)
◎ SHAP (Explications additives SHapley)
◎ Visualisation des filtres
◎ Construction d'un réseau neuronal convolutif (CNN)
◎ LRP (Propagation de la pertinence par couche)
◎ Analyse pratique 1 : Construction et explication d’un modèle d’analyse de crédit
◎ Analyse pratique 2 : Construction et explication d’un modèle d’analyse des sentiments photographiques
SPÉCIFICATIONS DES PRODUITS
- Date de publication : 27 mars 2020
- Nombre de pages, poids, dimensions : 340 pages | 175 × 235 × 18 mm
- ISBN13 : 9791158392000
- ISBN10 : 1158392001
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
