💪打开AI黑箱，探寻智能背后的奥秘💪

💥《Python可解释AI（XAI）实战》是2022年8月由清华大学出版社出版的一本图书，作者是[法]丹尼斯·罗斯曼(Denis Rothman)，由叶伟民和朱明超进行翻译。这本书主要介绍了如何通过Python实现可解释AI（XAI），帮助读者更好地理解AI模型的原理和应用。

🔶优点：

👍内容全面：这本书涵盖了可解释AI的基本概念、原理和应用，以及如何使用Python实现可解释AI的方法和技巧，让读者可以全面了解可解释AI的技术和应用。

🏆实践性强：除了理论介绍外，这本书还通过具体案例和实验，引导读者进行可解释AI的实践，帮助读者更好地掌握可解释AI的技术和应用。

💪语言通俗易懂：这本书的语言通俗易懂，对于初学者来说很容易上手。书中还提供了大量的图示和解释，帮助读者更好地理解可解释AI的原理和算法。

👉书籍亮点：

🎉理论与实践相结合：本书不仅介绍可解释AI的基本原理，还通过丰富的案例和实践经验，引导读者实际操作。

✨深入浅出：无论你是AI新手还是资深专家，都能从这本书中找到有价值的内容。作者用平易近人的语言，让复杂的技术变得容易理解。

🔍资源丰富：随书附赠代码包和数据集，方便读者动手实践。

🌈案例丰富：涵盖金融、医疗、教育等多个领域，帮助读者将所学知识应用到实际工作中。

🎁译者阵容强大：叶伟民和朱明超两位资深AI专家联袂翻译，确保中文内容准确无误。

📚品牌保证：清华大学出版社荣誉出品，品质有保障。

🎁《Python可解释AI（XAI）实战》是一本非常优秀的Python可解释AI入门教材。它不仅适合Python开发者学习，也可以作为进阶和提高的参考资料。通过阅读这本书，读者可以系统地掌握XAI的基本方法和应用技巧，培养解决实际问题的能力，为进一步探索和研究打下坚实的基础。如果你对Python AI可解释性和可信度感兴趣，那么这本书一定值得一读。

👆请点击上面《Python可解释AI（XAI）实战》了解更多详情！👆

书籍信息

书名: Python可解释AI（XAI）实战
作者: [法]丹尼斯·罗斯曼(Denis Rothman)
出版社: 清华大学出版社
译者: 叶伟民/朱明超
出版年: 2022-8
定价: 128
装帧: 平装
丛书: 清华社人工智能系列
ISBN: 9787302613299

内容简介

怎样才能有效地向AI业务和利益相关者解释AI的决策？你需要仔细规划、设计和可视化。要解决的问题、模型以及变量之间的关系通常是微妙、出乎意料和复杂的。
本书通过几个精心设计的项目让你在实践中掌握众多XAI工具和方法，而不是仅仅停留在理论和概念上。你将动手构建模型，可视化解释结果，并集成XAI工具。
你将使用Python、TensorFlow 2、Google Cloud XAI 平台、Google Colaboratory 和其他框架构建 XAI 解决方案，以打开机器学习模型的黑匣子。本书涵盖多个可在整个机器学习项目生命周期中使用的Python开源XAI工具。
你将学习如何探索机器学习模型结果，检查关键影响变量和变量关系，检测和处理偏见和道德伦理及法律问题，以及将机器学习模型可视化到用户界面中。
读完这本书，你将深入了解 XAI 的核心概念并掌握多个XAI工具和方法。

主要内容
 在机器学习生命周期的不同阶段规划和实施 XAI
 评估目前流行的各种XAI开源工具的优缺点
 介绍如何处理机器学习数据中的偏见问题
 介绍处理机器学习数据中的道德伦理和法律问题的工具和相关知识
 介绍XAI 设计和可视化方面的最佳实践
 将XAI集成到Python模型中
 在整个机器学习生命周期中使用对应的XAI工具来解决业务问题

作者简介

Denis Rothman 毕业于索邦大学和巴黎-狄德罗大学，写过最早的word2vector embedding 解决方案之一。他创作了第一批AI认知自然语言处理(NLP)聊天机器人之一，这个聊天机器人开启了他的职业生涯。它是一个语言教学应用程序，应用于Moët et Chandon和其他公司。他为IBM和服装生产商编写了一个AI资源优化器。然后，他还编写了一个在全球范围内使用的高级计划和排程(APS)解决方案。
译者
叶伟民
《金融中的人工智能》等五本计算机技术图书的译者。
B站UP主“很水的火哥”，录制了人工智能相关的短视频。
微信公众号“技术翻译实战”，撰写了计算机技术类翻译相关的文章。
朱明超
复旦大学硕士，蚂蚁集团大安全算法研究员，曾出版《可解释机器学习》译著。

书籍目录

第1章使用Python解释AI................1
1.1可解释AI的定义........................2
1.1.1从黑盒模型到XAI白盒模型...........3
1.1.2解释和阐释..........................................4
1.2设计和提取...................................5
1.3医学诊断时间线中的XAI..........8
1.3.1全科医生使用的标准AI程序..........8
1.3.2西尼罗河病毒——一个生死
攸关的案例.......................................15
1.3.3GoogleLocationHistory与XAI的
结合可以拯救生命..........................21
1.3.4下载GoogleLocationHistory.........21
1.3.5读取和显示GoogleLocation
History................................................25
1.3.6用XAI增强AI诊断.......................33
1.3.7将XAI应用于医学诊断
实验性程序.......................................38
1.4本章小结.....................................42
1.5习题.............................................42
1.6参考资料.....................................43
1.7扩展阅读.....................................43
第2章AI偏差和道德方面的
白盒XAI...............................45
2.1自动驾驶汽车系统AI的
道德和偏差................................46
2.1.1自动驾驶系统在生死关头是
如何做决策的...................................47
2.1.2电车难题...........................................47
2.1.3麻省理工学院的道德
机器实验............................................48
2.1.4真实的生死攸关情景.......................48
2.1.5从道德伦理上解释AI的
局限性................................................49
2.2对自动驾驶决策树的解释........51
2.2.1自动驾驶系统的两难困境..............52
2.2.2导入模块............................................53
2.2.3检索数据集........................................53
2.2.4读取和拆分数据...............................54
2.2.5决策树分类器的理论描述..............56
2.2.6创建默认的决策树分类器..............57
2.2.7训练、测量、保存模型..................58
2.2.8显示决策树........................................60
2.3将XAI应用于自动驾驶
决策树.........................................62
2.4使用XAI和道德来控制
决策树.........................................68
2.4.1加载模型............................................69
2.4.2测量准确率........................................69
2.4.3模拟实时案例...................................69
2.4.4由噪声引起的ML偏差..................70
2.4.5将道德和法律引入ML...................72
2.6本章小结.....................................74
2.7习题.............................................75
2.8参考资料.....................................75
2.9扩展阅读.....................................76
第3章用Facets解释ML................77
3.1Facets入门..................................78
3.1.1在GoogleColaboratory
安装Facets........................................78
3.1.2检索数据集.......................................79
3.1.3读取数据文件...................................80
3.2FacetsOverview..........................80
3.3对Facets统计信息进行排序....82
3.3.1按特征顺序排序...............................83
3.3.2按不均匀性排序...............................83
3.3.3按字母顺序排序...............................86
3.3.4按缺失值或零值的数量排序.........86
3.3.5按分布距离排序...............................87
3.4FacetsDive..................................88
3.4.1构建FacetsDive交互式界面.........88
3.4.2定义数据点的标签..........................90
3.4.3定义数据点的颜色..........................92
3.4.4定义x轴和y轴的binning............93
3.4.5定义散点图的x轴和y轴..............94
3.5本章小结.....................................96
3.6习题.............................................96
3.7参考资料.....................................97
3.8扩展阅读.....................................97
第4章MicrosoftAzure机器学习
模型的可解释与SHAP.........99
4.1SHAP简介...............................100
4.1.1关键的SHAP原则.......................100
4.1.2Shapley值的数学表达式.............102
4.1.3情感分析示例................................104
4.2SHAP入门...............................108
4.2.1安装SHAP.....................................108
4.2.2导入数据........................................109
4.2.3向量化数据集................................115
4.3线性模型和逻辑回归..............117
4.3.1创建、训练和可视化线性模型
的输出............................................117
4.3.2定义线性模型................................119
4.3.3使用SHAP实现与模型无关的
解释.................................................121
4.3.4创建线性模型解释器....................121
4.3.5添加图表功能................................121
4.3.6解释模型的预测结果....................123
4.4本章小结..................................130
4.5习题..........................................131
4.6参考资料..................................131
4.7扩展阅读..................................131
4.8其他出版物..............................132
第5章从零开始构建可解释AI
解决方案.............................133
5.1道德伦理和法律视角..............134
5.2美国人口普查数据问题.........135
5.2.1使用pandas显示数据...................135
5.2.2道德伦理视角................................137
5.3机器学习视角..........................141
5.3.1使用FacetsDive显示
训练数据.............................142
5.3.2使用FacetsDive分析
训练数据.............................144
5.3.3验证输出是否符合以上原则.......146
5.3.4对输入数据进行转换....................153
5.4将WIT应用于转换后的
数据集......................................155
5.5本章小结..................................162
5.6习题..........................................163
5.7参考资料..................................163
5.8扩展阅读..................................163
第6章用GoogleWhat-IfTool(WIT)
实现AI的公平性.................165
6.1从道德伦理视角谈AI
可解释和可阐释性.................166
6.1.1道德伦理视角................................166
6.1.2法律视角........................................167
6.1.3解释和阐释....................................167
6.1.4准备符合道德伦理的数据集......168
6.2WIT入门..................................170
6.2.1导入数据集....................................171
6.2.2对数据进行预处理.......................172
6.2.3创建数据结构以训练和
测试模型........................................174
6.3创建DNN模型........................174
6.4创建SHAP解释器..................177
6.5模型输出与SHAP值..............178
6.6WIT数据点浏览器和
编辑器......................................181
6.6.1创建WIT........................................181
6.6.2数据点编辑器................................182
6.6.3特征.................................................186
6.6.4性能和公平性................................187
6.7本章小结...................................193
6.8习题...........................................193
6.9参考资料...................................194
6.10扩展阅读.................................194
第7章可解释AI聊天机器人.........195
7.1Dialogflow的Python
客户端......................................196
7.1.1安装GoogleDialogflow的
Python客户端...............................197
7.1.2创建GoogleDialogflow代理......197
7.1.3启用API和服务...........................200
7.1.4实现GoogleDialogflow的
Python客户端...............................202
7.2增强GoogleDialogflow的
Python客户端.........................205
7.2.1创建对话函数................................205
7.2.2在Dialogflow实现XAI的
限制.................................................206
7.2.3在Dialogflow创建意图...............206
7.2.4XAIPython客户端.......................212
7.3使用GoogleDialogflow的
CUIXAI对话.........................216
7.3.1将Dialogflow集成到网站中.......216
7.3.2JupyterNotebookXAI代理
管理器.............................................220
7.3.3GoogleAssistant.............................220
7.4本章小结..................................222
7.5习题..........................................223
7.6扩展阅读..................................223
第8章LIME...................................225
8.1介绍LIME...............................226
8.1.1LIME的数学表示.........................227
8.2开始使用LIME.......................229
8.2.1在GoogleColaboratory安装
LIME...............................................230
8.2.2检索数据集和矢量化数据集.......230
8.3一个实验性的AutoML
模块..........................................231
8.3.1创建AutoML模板........................232
8.3.2Bagging分类器..............................233
8.3.3梯度提升分类器............................234
8.3.4决策树分类器................................234
8.3.5极度随机树分类器........................235
8.4解释分数..................................236
8.5训练模型并生成预测..............236
8.5.1分类器的交互选择........................237
8.5.2完成预测过程................................238
8.6LIME解释器...........................239
8.6.1创建LIME解释器........................240
8.6.2阐释LIME解释器........................242
8.7本章小结...................................247
8.8习题...........................................248
8.9参考资料...................................248
8.10扩展阅读.................................248
第9章反事实解释法.....................249
9.1反事实解释法...........................250
9.1.1数据集和动机................................250
9.1.2使用WIT可视化反事实
距离.................................................251
9.1.3使用默认视图探索数据点
距离.................................................253
9.1.4反事实解释的逻辑.......................258
9.2距离函数的选项......................262
9.2.1L1范数...........................................263
9.2.2L2范数...........................................264
9.2.3自定义距离函数............................265
9.3深度学习模型的架构..............266
9.3.1调用WIT.......................................266
9.3.2自定义预测函数............................267
9.3.3加载Keras预训练模型..............268
9.3.4检索数据集和模型.......................269
9.4本章小结...................................270
9.5习题...........................................270
9.6参考资料...................................271
9.7扩展阅读...................................271
第10章对比解释法(CEM)............273
10.1CEM........................................274
10.2将CEM应用于MNIST........276
10.2.1安装Alibi并导入模块.............276
10.2.2导入模块和数据集...................276
10.3定义和训练CNN模型.........279
10.3.1创建CNN模型.........................281
10.3.2训练CNN模型.........................281
10.3.3将原始图像与解码图像
进行比较.....................................285
10.4相关负面................................287
10.4.1CEM参数...................................288
10.4.2初始化CEM解释器.................289
10.4.3相关负面的解释........................290
10.5本章小结................................291
10.6习题........................................292
10.7参考资料................................292
10.8扩展阅读................................293
第11章锚解释法...........................295
11.1锚解释法................................296
11.1.1预测收入.....................................296
11.1.2新闻组分类.................................299
11.2对ImageNet图像预测
应用锚解释法........................300
11.2.1安装Alibi并导入其他
所需模块.....................................300
11.2.2加载InceptionV3模型..............301
11.2.3下载图像.....................................301
11.2.4处理图像并进行预测...............302
11.2.5构建锚图像解释器....................303
11.2.6解释其他类别............................306
11.2.7锚解释法的局限性....................308
11.3本章小结................................309
11.4习题.........................................309
11.5参考资料................................310
11.6扩展阅读................................310
第12章认知解释法.......................311
12.1基于规则的认知解释法.......312
12.1.1从XAI工具到XAI概念.........313
12.1.2定义认知解释法........................313
12.1.3实践认知解释法........................315
12.1.4特征的边际贡献........................319
12.2矢量化器的认知解释法........322
12.2.1解释LIME的矢量化器...........323
12.2.2解释IMDb的SHAP
矢量化器....................................325
12.3CEM的人类认知输入..........327
12.4本章小结................................331
12.5习题........................................332
12.6扩展阅读................................332
习题答案..............................................333