Perché un modello di Intelligenza Artificiale prende una determinata decisione?
Un sistema può essere accurato e, allo stesso tempo, apprendere correlazioni fragili, sfruttare informazioni irrilevanti o produrre decisioni difficili da verificare. L’Explainable Artificial Intelligence nasce per rendere osservabili questi meccanismi e trasformare le predizioni dei modelli in oggetti di analisi, valutazione e controllo.
Questo manuale presenta in modo progressivo e scientificamente rigoroso i principali metodi dell’Explainable AI, partendo dalle basi del Machine Learning interpretabile fino alle tecniche post-hoc e ai modelli basati sui concetti.
Nel libro vengono affrontati:
"Sinopsis" puede pertenecer a otra edición de este libro.
Librería: California Books, Miami, FL, Estados Unidos de America
Condición: New. Print on Demand. Nº de ref. del artículo: I-9798193676485
Cantidad disponible: Más de 20 disponibles
Librería: PBShop.store UK, Fairford, GLOS, Reino Unido
PAP. Condición: New. New Book. Shipped from UK. Established seller since 2000. Nº de ref. del artículo: L2-9798193676485
Cantidad disponible: Más de 20 disponibles
Librería: AHA-BUCH GmbH, Einbeck, Alemania
Taschenbuch. Condición: Neu. Neuware - Perché un modello di Intelligenza Artificiale prende una determinata decisione Un sistema può essere accurato e, allo stesso tempo, apprendere correlazioni fragili, sfruttare informazioni irrilevanti o produrre decisioni difficili da verificare. L'Explainable Artificial Intelligence nasce per rendere osservabili questi meccanismi e trasformare le predizioni dei modelli in oggetti di analisi, valutazione e controllo. Questo manuale presenta in modo progressivo e scientificamente rigoroso i principali metodi dell'Explainable AI, partendo dalle basi del Machine Learning interpretabile fino alle tecniche post-hoc e ai modelli basati sui concetti. Nel libro vengono affrontati: - interpretability, explainability, fidelity e valutazione delle spiegazioni;- alberi decisionali, regole, GAM, GA2M, EBM e Neural Additive Models;- prototipi, ProtoPNet e apprendimento logico induttivo;- approcci neuro-simbolici, Semantic Loss, Markov Logic Networks, ProbLog e DeepProbLog;- LIME, PredDiff, SHAP e KernelSHAP;- gradienti, SmoothGrad, Integrated Gradients, Grad-CAM e attention;- ICE, Partial Dependence Plot e Permutation Feature Importance;- Concept Bottleneck Models, Concept Embedding Models e concept interventions;- fairness, robustezza, sanity checks, governance e quadro normativo europeo. Ogni metodo viene introdotto attraverso il problema da risolvere, l'intuizione, la formalizzazione matematica, il funzionamento passo dopo passo, esempi concreti, vantaggi, limiti e criteri di utilizzo. Il volume è rivolto a studenti di Informatica, Ingegneria Informatica, Intelligenza Artificiale e Data Science, oltre che a professionisti tecnici che desiderano comprendere e valutare criticamente le decisioni dei sistemi di Machine Learning. Sono sufficienti conoscenze di base di Machine Learning. Non sono richieste competenze pregresse avanzate di Explainable AI. Nº de ref. del artículo: 9798193676485
Cantidad disponible: 2 disponibles