8月最新-《可解释机器学习-Christoph Molnar》-新书分享

    机器学习在改进产品、过程和研究方面拥有很大的潜力。但是机器学习模型预测的结果通常是不可解释的，这也是机器学习技术最大不足。本书主要讲解如何搭建机器学习模型，并使他们的预测结果是可解释的。

  （文末附本书免费下载地址）

    本书首先讲解可解释性的基本概念，然后讲解一些简单的、可解释的模型（Interpretable model），例如决策树、决策规则和线性回归。后面的章节集中于解释黑盒模型的一般模型不可知论的方法，如特征的重要性，以及累积的局部效应，以及用Shapley value和LIME解释单个预测。

    我们将对所有的解释方法进行深入地解释和讨论。本质上他们是如何工作的？他们的优势和劣势是什么？如何解释它们的输出？本书将使你学会选择并正确应用最适合你机器学习项目的解释方法。

    本书侧重于使用表格数据(也称为关系数据或结构化数据)的机器学习模型，较少涉及计算机视觉和自然语言处理任务。推荐机器学习从业者、数据科学家、统计学家和任何对机器学习模型的解释感兴趣的人阅读这本书。

目录

本书最新版下载地址

微信公众号回复关键字“auto2019”获取

往期精品内容推荐

元学习-从小样本学习到快速强化学习-ICML2019

机器学习新前沿-灵活系统 -Jeff Dean

新书-计算机视觉、机器人及机器学习线性代数基础-最新版分享

可推理神经网络模型-Christopher Manning

2018-Github最热门机器学习开源项目Top10分享

深度学习工业级部署实践：基于Spark部署Tensorflow深度学习模型

吴恩达-《Mechine Learning Yearning》最终完整版分享

2018-CUDA编程精品教材分享《基于GPU-多核-集群等并行化编程》

构建深度神经网络的一些实战建议-绝对的纯干货

C++深度学习工程挑战-这可能是你最需要的

神经网络编程精品课程-基于PyTorch的深度学习实战

NLP圣经《自然语言处理综述》2018最新版推荐

Geoffrey Hinton-AI的革命与未来

知识图谱中的深度学习技术应用概述

扫描下方二维码可以订阅哦！

DeepLearning_NLP

深度学习与NLP

       商务合作请联系微信号：lqfarmerlq