1200+標星，3千多人點贊，這本書讓你系統(tǒng)了解機器學習可解釋性丨開源免費閱讀
“唯一一本機器學習可解釋性”的書
郭一璞 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
機器學習的黑箱性一直讓很多人感到頭大。
對許多技術人員來說，機器學習在出現(xiàn)問題的時候，總會讓人一頭霧水，搞不清楚具體是哪里出了問題。
而對于商業(yè)應用來說，在醫(yī)療等高風險的情況下，機器學習的黑箱性給推廣普及造成了困難，說不清楚，要如何讓吃瓜群眾和監(jiān)管部門信任？
現(xiàn)在，了解機器學習黑箱性，有了一本系統(tǒng)全面的書：
Christoph Molnar年初公開的《可解釋的機器學習（Interpretable Machine Learning）》
這本書總共耗時兩年完成，長達250頁。
在它的GitHub項目頁上，一共有了1297個commits，除了作者Christoph Molnar之外，還有25位貢獻者為它做出了貢獻和修改。
Readme里的備注總共記錄了從v0.1到v1.2出了10版，可謂是“披閱二載，增刪十次”，是眾人智慧的結(jié)晶。
因此，這本書也吸引了1277名用戶標星，而作者將其公之于眾的推特也吸引了近千轉(zhuǎn)發(fā)，3000多人點贊。
Hacker News上不少人都對這本書嘖嘖稱贊：
我在搞關于這個問題的學術研究，這是我當前找到的唯一一本相關的書，簡直太棒了。
這本書簡直太讓人愛了，而且非常有用，既清晰又易讀，還給出了許多在既定情況下如何操作的方法，提供了充足的細節(jié)方便你做決策。
甚至，還有中國出版社的編輯看上了這本書，希望引進出版中文版本：
而且，此書完整電子版免費閱讀。
那，這本書里究竟寫了些啥？
書里寫了啥
除了前言、致謝等內(nèi)容外，整本書的核心部分有8個章節(jié)。分別是：
1.機器學習簡介
2.可解釋性
3.數(shù)據(jù)集
4.可解釋的模型
5.模型不可知方法
6.基于實例的解釋
7.神經(jīng)網(wǎng)絡解釋
8.機器學習與可解釋性研究的未來
每個部分作者都做了充足的解釋與介紹，比如第四章《可解釋的模型》中，作者介紹了線性回歸、邏輯回歸、決策樹等模型，并進行了針對性的解釋，介紹了基本的原理和特點，還提出了如果這個模型出現(xiàn)問題時的一些解決辦法。
而且，對于更為基礎的概念介紹章節(jié)，作者用許多平實的語言，結(jié)合各類現(xiàn)實生活中的例子介紹了相關的概念，還配了參考鏈接可以進一步學習了解。
此外，還提供了相關的例子，都有現(xiàn)成的鏈接，是用R語言寫的。
作者介紹
這本書的作者Christoph Molnar，目前是慕尼黑大學的博士生，研究的專業(yè)就是可解釋的機器學習，此前也在慕尼黑大學讀了統(tǒng)計學碩士，主要研究將數(shù)據(jù)轉(zhuǎn)換成產(chǎn)品。
除了這本書之外，他還有一個名為Machine Master的博客，分享關于神經(jīng)網(wǎng)絡、Python、統(tǒng)計學、數(shù)據(jù)處理等方面經(jīng)驗。
傳送門
在線閱讀：
https://christophm.github.io/interpretable-ml-book/index.html
GitHub：
https://github.com/christophM/interpretable-ml-book
