実践XAI［説明可能なAI］ 機械学習の予測を説明するためのPythonコーディング

XAI Pythonライブラリで予測結果を説明。
ブラックボックスからグラスボックスへ。

ビジネス上の意思決定につながる機械学習の予測には、解釈・説明が求められます。
そこで、そうした解釈・説明を行うための手法を紹介していきます。

まず、モデルの説明可能性と解釈可能性の全体像、倫理的に考慮すべき点、
生成された予測のバイアスについて説明します。

次に、LIME、SHAP、Skater、ELI5、skope-rulesといったPythonライブラリを使って、
モデルがなぜそのように予測するのかを探っていきます。

予測モデルとして、線形・非線形モデルのほか、アンサンブルモデル、時系列モデル、
自然言語処理、ディープラーニング、コンピュータービジョンを取り上げます。

本書は解釈・説明のための方法を包括的に取り上げており、
機械学習を実際の現場で活用する方にぜひ手に取っていただきたい一冊です。


【章構成】
第1章 モデルの説明可能性と解釈可能性
第2章 AIの倫理、偏見、信頼性
第3章 線形モデルの説明可能性
第4章 非線形モデルの説明可能性
第5章 アンサンブルモデルの説明可能性
第6章 時系列モデルの説明可能性
第7章 自然言語処理の説明可能性
第8章 What-Ifシナリオを使ったモデルの公平性
第9章 ディープラーニングモデルの説明可能性
第10章 XAIモデルの反実仮想説明
第11章 機械学習での対比的説明
第12章 予測不変性の特定によるモデル不可知の説明
第13章 ルールベースのエキスパートシステムでのモデルの説明可能性
第14章 コンピュータビジョンでのモデルの説明可能性

◎Pythonの文法・ライブラリや機械学習について
標準的な知識を理解している必要があります。