唯一《可解釋機器學習》中文書來了：復旦研究生翻譯，原作者轉發(fā)點贊
曉查 整理
量子位 報道 | 公眾號 QbitAI
新冠疫情的出現(xiàn)，讓許多AI醫(yī)療技術浮出水面。
但是AI一直黑箱問題存在，如果AI對過程都不能做到可解釋，又怎么能放心讓它來診斷病患呢。而關于機器學習可解釋問題的書籍少之又少。
最近，一位來自復旦大學的研究生朱明超，將一本少有的書《Interpretable Machine Learning》（可解釋機器學習）翻譯成了中文。
這本書最初是由德國慕尼黑大學博士Christoph Molnar耗時兩年完成的，長達250頁，是僅有的一本系統(tǒng)介紹可解釋性機器學習的書籍。
朱明超近期完成了這本書的翻譯和校對工作，目前已經(jīng)開源放到GitHub網(wǎng)頁上。朱同學在翻譯過程中還和原作者進行了多次討論，中文版還得到了Christoph Molnar本人在Twiter上的推薦。
“可解釋”是這本書的核心論題。作者認為，可解釋性在機器學習甚至日常生活中都是相當重要的一個問題。建議機器學習從業(yè)者、數(shù)據(jù)科學家、統(tǒng)計學家和任何對使機器學習模型可解釋的人閱讀本書。
《可解釋的機器學習》該書總共包含 7 章內容：
- 第一章：前言
- 第二章：可解釋性
- 第三章：數(shù)據(jù)集
- 第四章：可解釋的模型
- 第五章：模型無關方法
- 第六章：基于樣本的解釋
- 第七章：水晶球
Molnar表示，雖然數(shù)據(jù)集與黑盒機器學習解決了很多問題，但這不是最好的使用姿勢，現(xiàn)在模型本身代替了數(shù)據(jù)成為了信息的來源，但可解釋性可以提取模型捕捉到的額外信息。
當我們的日常生活中全都是機器和算法時，也需要可解釋性來增加社會的接受度。畢竟要是連科學家都研究不透“黑盒”，怎樣讓普通人完全信任模型做出的決策呢？
這本書的重點是機器學習的可解釋性。你可以從這本書中學習簡單的、可解釋的模型，如線性回歸、決策樹和決策規(guī)則等。
后面幾章重點介紹了解釋黑盒模型的模型無關的一般方法，如特征重要性和累積局部效應，以及用 Shapley 值和 LIME 解釋單個實例預測。
對各種解釋方法進行了深入的解釋和批判性的討論。它們是如何工作的？優(yōu)點和缺點是什么？如何解釋它們的輸出？本書使你能夠選擇并正確應用最適合你的機器學習項目的解釋方法。
這本書結合了各類現(xiàn)實生活中的例子來介紹相關的概念，同時搭配參考鏈接幫助讀者進一步學習了解。
另外朱同學的GitHub上還一直在堅持翻譯Goodfellow的《機器學習》，還在翻譯中配上了自己編寫的Python代碼供參考。有興趣的同學也可以順帶去參考學習。
最后附上《可解釋機器學習》一書的項目地址：https://github.com/MingchaoZhu/InterpretableMLBook
- 腦機接口走向現(xiàn)實，11張PPT看懂中國腦機接口產(chǎn)業(yè)現(xiàn)狀｜量子位智庫2021-08-10
- 張朝陽開課手推E=mc2，李永樂現(xiàn)場狂做筆記2022-03-11
- 阿里數(shù)學競賽可以報名了！獎金增加到400萬元，題目面向大眾公開征集2022-03-14
- 英偉達遭黑客最后通牒：今天必須開源GPU驅動，否則公布1TB機密數(shù)據(jù)2022-03-05
站-2.png)
