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

※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。

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

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。

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