Bøger udgivet af Scientific Foundation Smarterpoland.PL

Dieses Buch ist eine einzigartige Verflechtung von Theorie, Beispielen und Verfahren, die für verantwortungsvolles maschinelles Lernen relevant sind. Sie finden Intuitionen und Beispiele für Interpretable Machine Learning (IML) und eXplainable Artificial Intelligence (XAI). Die Beschreibungen werden durch Codeschnipsel mit Beispielen für R unter Verwendung der Pakete randomForest, mlr3 und DALEX ergänzt. Abschließend wird der Prozess anhand eines Comics gezeigt, der die Abenteuer von zwei Figuren, Beta und Bit, beschreibt. Die Interaktion dieser beiden zeigt die Entscheidungen, vor denen Analysten oft stehen, ob sie ein anderes Modell ausprobieren, eine andere Technik zur Erkundung ausprobieren oder nach anderen Daten suchen sollen - Fragen wie die, wie man Modelle vergleicht oder sie validiert.Alle Beispiele sind vollständig reproduzierbar, so dass man alle Erlebnisse auf einem lokalen Desktop nachspielen kann.Modellentwicklung ist eine verantwortungsvolle und anspruchsvolle Aufgabe, aber auch ein spannendes Abenteuer. Manchmal konzentrieren sich Lehrbücher nur auf die technische Seite und verlieren dabei den ganzen Spaß. Hier werden wir alles haben.

Tahmin modellerini sorumlu bir yaklä¿mla nas¿l kurabiliriz? Bu, farkl¿ deneyim seviyelerindeki veri bilimciler taraf¿ndan bana s¿kl¿kla sorulan bir sorudur. Görünü¿te basit ama ayn¿ zamanda zorlay¿c¿, çünkü ele al¿nmas¿ gereken farkl¿ paydälara ait birkaç ortogonal konu ve bak¿¿ aç¿s¿ var.Model geli¿tiriciler, model e¿itiminin otomasyonuna, performans¿n¿n izlenmesine, hata ay¿klamaya ve MLOps ile ilgili di¿er konulara odaklan¿r. Tahmin modelleri kullan¿c¿lar¿ aç¿klanabilirlik, ¿effafl¿k ve güvenlikle daha fazla ilgilenirken, adalet, önyarg¿, etik ise çöunlukla toplumu ilgilendiren konulard¿r. Düzenleyiciler, özellikle büyük ölçekli etkileri olan model kullan¿mlar¿n¿n sonuçlar¿ ile ilgilenmektedir.Bu bak¿¿ aç¿lar¿n¿ dikkate alarak, Sorumlu Makine Ö¿renmesi (RML) ile ilgili üç temel unsura odaklan¿yoruz.Algoritmalar - Genellikle, verideki karmä¿k ili¿kileri ortaya ç¿karmak için geli¿mi¿ ve esnek makine ö¿renmesi algoritmalar¿ kullanman¿z gerekir. Ancak, nas¿l çal¿¿t¿klar¿ anlä¿lmadan kullan¿lmamal¿d¿r. Do\-la\-y¿\-s¿y\-la sorumlu modelleme hakk¿nda bir tart¿¿ma, karmä¿k modellerin nas¿l çal¿¿t¿¿¿ konusuna mutlaka de¿inmelidir.Yaz¿l¿m - Geli¿mi¿ modellerin e¿itimi, yöun hesaplama gerektiren bir süreçtir. Verimli e¿itime izin veren paketler, birer mühendislik harikas¿d¿r. Profesyoneller iyi araçlar kullan¿r, bu nedenle sorumlu modellemeyle ilgili bir hikaye yaz¿l¿rsa, mutlaka iyi yaz¿l¿mla ilgili bir bölüm içermelidir.Süreç - Tahmin modelleri kurmak yaln¿zca araçlarla ilgili de¿il, ayn¿ zamanda planlama, lojistik, ileti¿im, teslim tarihleri ve hedeflerle de ilgilidir. Veri ve model ke¿fi süreci tekrarl¿ bir süreçtir, her tekrarda oldüu gibi, giderek daha iyi modellere ulä¿r¿z. Araçlar¿ ne zaman ve nas¿l kullanacä¿n¿z¿ bilmiyorsan¿z, yaln¿zca araçlar¿ kullanabilmek yeterli olmaz. Bu nedenle sorumlu modellemeden önce modelleme süreçlerin ele al¿nmas¿ gerekiyor.Bu kitap, bahsedilen bu yönleri ayn¿ anda bir araya getiren bir içeri¿e sahiptir. ¿çeri¿i, baz¿ modern makine ö¿renmesi yöntemlerini ve çal¿¿ma mekanizmalar¿ndan olümaktad¿r. Yöntemler, R dilinde Rcran yaz¿lm¿¿ örnek kodlarla desteklenmi¿tir. Beta ve Bit adl¿ iki karakterin maceralar¿n¿ anlatan bir çizgi roman ile anlat¿m hikayele¿tirilmi¿tir. Bu etkile¿im, farkl¿ bir model denemek, ke¿if için bäka bir yöntem denemek, veya bäka verileri aramak gibi analistlerin s¿kl¿kla kar¿¿ kar¿¿ya kald¿klar¿, modeller nas¿l kar¿¿lät¿r¿l¿r veya nas¿l dörulan¿r

Thôi ¿¿¿c, t¿t c¿ các model d¿ ¿oán (predictive models) ¿¿u trông có v¿ ¿n, nh¿ng làm cách nào chúng ta có th¿ xây d¿ng các model m¿t cách ¿áng tin c¿y h¿n? ¿ây chính là câu h¿i tôi th¿¿ng ¿¿¿c h¿i b¿i các nhà khoa h¿c d¿ li¿u ¿ nh¿ng m¿c ¿¿ kinh nghi¿m khác nhau. Câu h¿i có v¿ ¿¿n gi¿n, nh¿ng ¿¿ng th¿i c¿ng r¿t thách th¿c b¿i vì có r¿t nhi¿u lüng quan ¿i¿m và m¿i quan tâm khác nhau t¿ nh¿ng ng¿¿i liên quan.Nh¿ng ng¿¿i xây d¿ng model th¿¿ng t¿p trung vào vi¿c hün luy¿n model (training model) m¿t cách t¿ ¿¿ng, ki¿m soát hi¿u n¿ng, debug và nh¿ng höt ¿¿ng duy trì c¿ h¿ th¿ng t¿ d¿ li¿u ¿¿n t¿i ¿u hi¿u n¿ng ph¿n c¿ng và c¿i ti¿n model (MLOps). Ng¿¿i s¿ d¿ng model ph¿n nhi¿u th¿¿ng h¿ng thú h¿n v¿i nh¿ng câu h¿i v¿ t¿ ¿âu mà model cho ra k¿t qü d¿ ¿oán nh¿ v¿y (explainability) höc nh¿ng ¿òi h¿i nh¿t ¿¿nh ¿¿ hi¿u ¿¿¿c bên trong model höt ¿¿ng nh¿ th¿ nào (transparency) và m¿c ¿¿ "phòng th¿" (security) c¿a mô hình tr¿¿c nh¿ng t¿n công, ví d¿ nh¿ t¿ d¿ li¿u kém ch¿t l¿¿ng. V¿ phía xã h¿i, nh¿ng m¿i quan tâm th¿¿ng là model có công b¿ng hay thiên v¿ (fairness hay bias), ví d¿ mô hình có ¿u tiên cho m¿t nhóm ng¿¿i nh¿ trong xã h¿i, höc thiên v¿ v¿ gi¿i tính không; hay k¿t qü d¿ ¿oán t¿ model có phù h¿p chün m¿c ¿¿o ¿¿c hay không (ethics).Quy¿n sách này t¿ng hòa t¿t c¿ các góc nhìn trên. B¿n ¿¿c s¿ tìm th¿y nh¿ng k¿ thüt machine learning ch¿n l¿c và c¿ nh¿ng cách hi¿u tr¿c quan ng¿n g¿n. Các k¿ thüt ¿¿u ¿¿¿c g¿n li¿n v¿i các ¿ön code trong ngôn ng¿ R. B¿n ¿¿c s¿ cùng hai nhân v¿t Bêta và Bít ¿i d¿o vào khu v¿¿n, không ph¿i c¿a kì hoa d¿ th¿o, mà là c¿a các model ML thú v¿. Trong khu v¿¿n có ng¿n ¿èn ¿¿¿c th¿p lên b¿i nh¿ng góc nhìn th¿u ¿áo v¿ model t¿ kinh nghi¿m th¿c t¿.Cüc bàn lün gi¿a Bêta và Bít c¿ng chính là nh¿ng gì di¿n ra trong th¿c t¿ mà các nhà khoa h¿c d¿ li¿u th¿¿ng g¿p, có nên th¿ m¿t model khác không, höc có nên th¿ m¿t k¿ thüt khác ¿¿ khai phá d¿ li¿u, höc m¿t t¿p d¿ li¿u khác ch¿ng? --- và ti t¿ câu h¿i nh¿: làm cách nào ¿¿ so sánh gi¿a nh¿ng model höc làm th¿ nào ¿¿ ki¿m tra hi¿u n¿ng.Quá trình phát tri¿n model ¿òi h¿i s¿ c¿n th¿n và trách nhi¿m, nh¿ng r¿t thú v¿. Thông th¿¿ng, nhi¿u quy¿n sách ch¿ chú tâm vào m¿t ki¿n th¿c mà quên m¿t ¿i ni¿m vui và s¿ thú v¿. Nh¿ng, hi v¿ng ¿ quy¿n sách này, chúng ta s¿ có ¿¿¿c c¿ hai.

Este libro es un enredo único de teoría, ejemplos y procesos relevantes para el Aprendizaje Automático Responsable. Encontrará intuiciones y ejemplos para el Aprendizaje Automático Interpretable (IML) y la Inteligencia Artificial eXplicable (XAI). Las descripciones se complementan con fragmentos de código con ejemplos para R con el uso de los paquetes randomForest, mlr3 y DALEX. Finalmente, el proceso se muestra a través de un cómic que describe las aventuras de dos personajes, Beta y Bit. La interacción de estos dos muestra las decisiones a las que a menudo se enfrentan los analistas, ya sea para probar un modelo diferente, para probar otra técnica de exploración o para buscar otros datos, cuestiones como la comparación de modelos o su validación.Todos los ejemplos son totalmente reproducibles, de modo que se pueden reproducir todas las aventuras en un escritorio local.El desarrollo de modelos es una tarea responsable y desafiante, pero también una aventura apasionante. A veces los libros de texto se centran sólo en la parte técnica, perdiendo toda la diversión. Aquí lo vamos a tener todo.