Erklärbare KI für Praktiker

Die meisten Bücher über maschinelles Lernen für Fortgeschrittene konzentrieren sich darauf, wie man Modelle optimiert, indem man die Genauigkeit erhöht oder den Vorhersagefehler verringert. Bei diesem Ansatz wird jedoch oft übersehen, wie wichtig es ist, zu verstehen, warum und wie dein ML-Modell die Vorhersagen trifft, die es macht.

Erklärungsmethoden sind ein wichtiges Instrumentarium, um das Modellverhalten besser zu verstehen, und dieser praktische Leitfaden vereint die besten Techniken zur Erklärung von Modellen. Erfahrene Machine-Learning-Ingenieure und Data Scientists lernen hier, wie diese Techniken funktionieren, damit du sie in deinem täglichen Arbeitsablauf leichter anwenden kannst.

Dieses unverzichtbare Buch bietet:

• Einen detaillierten Einblick in einige der nützlichsten und am häufigsten verwendeten Erklärungsmethoden, wobei die Vor- und Nachteile hervorgehoben werden, damit du das beste Tool für deine Bedürfnisse auswählen kannst
• Tipps und Best Practices für die Umsetzung dieser Techniken
• Ein Leitfaden für den Umgang mit Erklärbarkeit und wie du häufige Fallstricke vermeiden kannst
• Das Wissen, das du brauchst, um Erklärbarkeit in deinen ML-Workflow einzubauen, damit du robustere ML-Systeme aufbauen kannst
• Ratschläge zu erklärbaren KI-Techniken, einschließlich der Anwendung von Techniken auf Modelle, die Tabellen-, Bild- oder Textdaten verwenden
• Beispiel-Implementierungscode in Python unter Verwendung bekannter Erklärbarkeitsbibliotheken für Modelle, die in Keras und TensorFlow 2.0, PyTorch und HuggingFace erstellt wurden