Explainable AI with Python
De Leonida Gianfagna y Antonio Di Cecco
«Explainable AI with Python» ofrece una presentación exhaustiva de los conceptos y técnicas disponibles en la actualidad para hacer más comprensibles los sistemas de aprendizaje automático. Los enfoques presentados pueden aplicarse a casi todos los modelos actuales de aprendizaje automático, como los modelos de regresión lineal y logística, las redes neuronales de aprendizaje profundo, el procesamiento del lenguaje natural y el reconocimiento de imágenes.
Los avances en el aprendizaje automático están contribuyendo a aumentar el uso de agentes artificiales capaces de realizar tareas críticas de las que antes se encargaban los humanos (como en la asistencia sanitaria o en las actividades jurídicas y financieras). Aunque se conocen los principios que guían el diseño de estos agentes, la mayoría de los modelos actuales de aprendizaje profundo resultan «opacos» a la comprensión humana. El libro llena el vacío actual existente en la documentación que trata este tema, al adoptar una perspectiva tanto teórica como práctica y capacitar rápidamente al lector para trabajar con las herramientas y el código utilizados en los sistemas de Explainable AI.
Tras comenzar con ejemplos sobre qué es la Explainable AI (XAI) y por qué es tan necesaria, el libro detalla distintos enfoques de la XAI en función del contexto y las necesidades específicas. A continuación, se presentan ejemplos prácticos de modelos interpretables utilizando Python, que muestran cómo pueden interpretarse los modelos intrínsecamente interpretables y cómo pueden producirse explicaciones «comprensibles para el ser humano». Se demuestra que los métodos de modelos agnósticos para XAI producen explicaciones que no dependen de las partes internas de los modelos ML, que son «opacos». Mediante el uso de ejemplos de Computer Vision, los autores examinan a continuación los modelos explicables para el aprendizaje profundo y posibles métodos para el futuro. Gracias a una perspectiva práctica, los autores también demuestran cómo utilizar eficazmente en la ciencia el aprendizaje automático y la XAI. El último capítulo explica el aprendizaje automático adverso y cómo crear XAI utilizando ejemplos conflictivos.
Si te interesa el libro «Explainable AI with Python», haz clic aquí.
Los autores
Leonida Gianfagna
Leonida Gianfagna (PhD, MBA) es físico teórico y actualmente trabaja en ciberseguridad como director de I+D para Cyber Guru. Antes de incorporarse a Cyber Guru, trabajó en IBM durante 15 años en funciones directivas de desarrollo de «software» en ITSM (Gestión de Servicios de TI). Es autor de varias publicaciones sobre física teórica e informática y está acreditado como IBM Master Inventor.
Antonio Di Cecco
Antonio Di Cecco es un físico teórico con una sólida formación matemática que participa activamente en la formación sobre AIML. El punto fuerte de su planteamiento es el estudio en profundidad de los fundamentos matemáticos de los modelos AIML, capaces de proporcionar nuevas formas de presentar los conocimientos AIML, así como del margen de mejora sobre el estado actual de la tecnología.
¿Quieres más información al respecto?
