可解释性AI是打开AI黑盒的解释性技术的实践指南。本实用指南将前沿研究简化为透明和可解释的AI，提供实用的方法，您可以轻松地用Python和开源库实现。从所有主要的机器学习方法的例子，这本书演示了为什么AI的一些方法是如此的不透明，教你识别你的模型已经学习的模式，并提出了建立公平和公正的模型的最佳实践。当你完成这一任务时，你将能够提高你的AI在训练中的表现，并构建鲁棒系统来抵消偏差、数据泄漏和概念漂移带来的错误。

书籍链接：

https://www.manning.com/books/interpretable-ai

本书旨在通过提供对可解释性技术的简化解释，以及如何在Python中使用开放的公共数据集和库实现这些技术的实用指南，来填补这一空白。本书将展示代码片段，并分享源代码，以便您跟随和再现书中的图形和视觉效果。这本书旨在为您提供实现和部署最先进的可解释性技术的实用技巧。具备概率论、统计学、线性代数、机器学习和Python的基本知识。

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