当下人工智能已经渗透到各行各业，在很多高风险领域，需要可靠可信赖的模型，即所谓可信赖机器学习。本书来自Kush R. Varshney撰写的《可信赖机器学习》讲述可信赖机器学习系统性知识，非常值得关注。

在图1.1中突出显示，第1部分的剩余部分讨论了本书的局限性，并讨论了几个对理解可靠机器学习概念很重要的初步主题: 在实践中开发机器学习系统的角色和生命周期，以及在不确定性方面量化安全概念。

第2部分是关于数据的讨论，数据是进行机器学习的前提。除了提供不同数据模式和来源的简短概述外，该部分还涉及与可信机器学习相关的三个主题: 偏见、同意和隐私。第3部分涉及到值得信赖的机器学习的第一个属性: 基本性能。它描述了最优检测理论和不同的有监督机器学习公式。它教授几种不同的学习算法，如判别分析、naïve贝叶斯、k-最近邻、决策树和森林、逻辑回归、支持向量机和神经网络。最后总结了因果发现和因果推理的方法。第四部分是值得信赖的机器学习的第二个属性:可靠性。这个属性通过三个特定的主题来讨论: 分布偏移、公平性和对抗鲁棒性。这些主题的描述不仅定义了问题，而且还提供了检测和缓解问题的解决方案。

第5部分是关于第三个属性:人类与机器学习系统在两个方向上的交互——理解系统并给它指令。第一部分从模型的可解释性和可解释性开始。它转向了测试和记录机器学习算法各个方面的方法，然后可以通过公平性、问责制和透明度表(FAccTsheets)进行透明报告。本部分的最后一个主题是机器引出人们和社会的政策和价值观来管理它的行为。第六部分讨论了第四个属性: 人们和社会的价值可能是什么。它首先讨论了机器学习在虚假信息中的恶意使用，以及机器学习在创建过滤气泡时不必要的含义。接下来，它描述了在机器学习和人工智能中编码期望值和应用的不同专业指南。最后，本文讨论了如何将具有不同生活经验的机器学习系统创造者纳入其中，从而扩大机器学习的价值、目标和应用，在某些情况下，通过技术追求社会公益。

内容中包含的图片若涉及版权问题，请及时与我们联系删除