解釈可能なAI―機械学習モデルの解釈手法を実践的に理解する(Compass Programming) [単行本]

解釈可能なAI―機械学習モデルの解釈手法を実践的に理解する(Compass Programming) の 商品概要

• 要旨（「BOOK」データベースより）

  ＡＩモデルの透明性と解釈可能性、そして説明可能性の追求は、エラーやバイアスを最小限に抑え、予測結果の信頼性・公平性を高め「責任あるＡＩ」を実現するために重要な分野です。本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とＰｙｔｈｏｎによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なＡＩ」に至るための道を示しています。

• 目次

  第1部 解釈可能性の基礎
  第1章 はじめに
  　1.1 Diagnostics+のAI―AIシステムの一例
  　1.2 機械学習システムの種類
  　1.3 Diagnostics+のAIを構築する
  　1.4 Diagnostics+のAIの問題点
  　1.5 Diagnostics+のAIシステムを堅牢にする
  　1.6 解釈可能性と説明可能性
  　1.7 本書で何を学ぶのか？
  　1.8 まとめ
  第2章 ホワイトボックスモデル
  　2.1 ホワイトボックスモデル
  　2.2 Diagnostics+―糖尿病の進行度
  　2.3 線形回帰
  　2.4 決定木
  　2.5 一般化加法モデル（GAM）
  　2.6 ブラックボックスモデルとは
  　2.7 まとめ
  
  第2部 モデルの処理の解釈
  第3章 モデルに依存しない方法：大域的な解釈可能性
  　3.1 高校生の成績予測器
  　3.2 アンサンブルツリー
  　3.3 ランダムフォレストを解釈する
  　3.4 モデルに依存しない方法：大域的な解釈可能性
  　3.5 まとめ
  第4章 モデルに依存しない方法：局所的な解釈可能性
  　4.1 Diagnostics+のAI：乳がん診断
  　4.2 探索的データ分析
  　4.3 深層ニューラルネットワーク
  　4.4 DNNを解釈する
  　4.5 LIME
  　4.6 SHAP
  　4.7 アンカー
  　4.8 まとめ
  第5章 顕著性マップ
  　5.1 Diagnostics+のAI：浸潤性乳管がんの検出
  　5.2 探索的データ分析
  　5.3 畳み込みニューラルネットワーク
  　5.4 CNNを解釈する
  　5.5 バニラバックプロパゲーション
  　5.6 ガイド付きバックプロパゲーション
  　5.7 その他の勾配ベースの手法
  　5.8 Grad-CAMとガイド付きGrad-CAM
  　5.9 どの寄与度推定法を使えばいいのか？
  　5.1 まとめ
  
  第3部 モデルの表現の解釈
  第6章 層とユニットを理解する189
  　6.1 視覚的な理解
  　6.2 畳み込みニューラルネットワーク：復習
  　6.3 ネットワーク分析フレームワーク
  　6.4 層とユニットを解釈する
  　6.5 まとめ
  第7章 意味的な類似性を理解する
  　7.1 感情分析
  　7.2 探索的データ分析
  　7.3 ニューラル単語埋め込み
  　7.4 意味的類似性を解釈する
  　7.5 まとめ
  
  第4部 公平性とバイアス
  第8章 公平性とバイアスの軽減
  　8.1 収入予測
  　8.2 公平性の概念
  　8.3 解釈可能性と公平性
  　8.4 バイアスを軽減する
  　8.5 データセットのためのデータシート
  　8.6 まとめ
  第9章 説明可能なAIへの道
  　9.1 説明可能なAI
  　9.2 反実仮想的な説明
  　9.3 まとめ
  
  Appendix
  付録A セットアップを行う
  　A.1 Python
  　A.2 Gitコードリポジトリ
  　A.3 Conda環境
  　A.4 JupyterNotebook
  　A.5 Docker
  付録B PyTorch
  　B.1 PyTorchとは？
  　B.2 PyTorchをインストールする
  　B.3 テンソル
  　B.4 データセットとDataLoader
  　B.5 モデリング
  付録C 日本語版付録日本語を扱う
  　C.1 単語に分割する
  　C.2 ワードクラウドを作成する
  　C.3 日本語を単語埋め込み化する

• 出版社からのコメント

  AIシステムを動かすモデルの解釈可能性を高め、説明可能なAIへの道を開く

• 内容紹介

  『Interpretable AI：Building Explainable Machine Learning Systems』（Ajay Thampi／Manning）の日本語版。
  
  AIモデルの透明性と解釈可能性、そして説明可能性の追求は、エラーやバイアスを最小限に抑え、予測結果の信頼性・公平性を高め「責任あるAI」を実現するために重要な分野です。
  本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とPythonによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なAI」に至るための道を示しています。
  
  【日本語版特別付録】
  本書の第7章では、英語を対象とした、テキストからの特徴量の抽出を扱っています。
  日本語版には、この処理を日本語に適用する方法を解説した『付録C 日本語版付録　日本語を扱う』を収録しています。
  
  【Contents】
  第1部 解釈可能性の基礎
  　第1章はじめに
  　第2章ホワイトボックスモデル
  
  第2部 モデルの処理の解釈
  　第3章 モデルに依存しない方法：大域的な解釈可能性
  　第4章 モデルに依存しない方法：局所的な解釈可能性
  　第5章 顕著性マップ
  
  第3部 モデルの表現の解釈
  　第6章 層とユニットを理解する
  　第7章 意味的な類似性を理解する
  
  第4部 公平性とバイアス
  　第8章 公平性とバイアスの軽減
  　第9章 説明可能なAIへの道
  
  Appendix
  　付録A セットアップを行う
  　付録B PyTorch
  　付録C 日本語版付録日本語を扱う

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  Thampi,Ajay(THAMPI,AJAY／Thampi,Ajay)
  機械学習に強いバックグラウンドを持っており、博士号は信号処理と機械学習がテーマ。強化学習、凸最適化、５Ｇセルラーネットワークに適用される古典的な機械学習技術をテーマに、主要なカンファレンスやジャーナルで論文を発表している。現在は、大手テック企業で主に責任あるＡＩと公平性を専門に機械学習エンジニアとして活躍しており、マイクロソフトのリードデータサイエンティストとして、製造業、小売業、金融業など様々な業界の顧客に対して、複雑なＡＩソリューションをデプロイする仕事を担当した経験を持つ

解釈可能なAI―機械学習モデルの解釈手法を実践的に理解する(Compass Programming) の商品スペック