دانلود کتاب Explainable and Interpretable Models in Computer Vision and Machine Learning
کتاب مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین نسخه زبان اصلی
دانلود کتاب مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Explainable and Interpretable Models in Computer Vision and Machine Learning
نام کتاب : Explainable and Interpretable Models in Computer Vision and Machine Learning
ویرایش : 1st ed.
عنوان ترجمه شده به فارسی : مدل های قابل توضیح و تفسیر در بینایی کامپیوتر و یادگیری ماشین
سری : The Springer Series on Challenges in Machine Learning
نویسندگان : Hugo Jair Escalante, Sergio Escalera, Isabelle Guyon, Xavier Baró, Yağmur Güçlütürk, Umut Güçlü, Marcel van Gerven
ناشر : Springer International Publishing
سال نشر : 2018
تعداد صفحات : 305
ISBN (شابک) : 9783319981307 , 9783319981314
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 9 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این کتاب تحقیقات پیشرو در مورد توسعه روش‌های یادگیری ماشینی قابل توضیح و تفسیر را در زمینه بینایی رایانه و یادگیری ماشین گردآوری می‌کند.
پیشرفت تحقیق در بینایی رایانه و تشخیص الگو منجر به انواع تکنیک های مدل سازی با عملکرد تقریباً شبیه انسان شده است. اگرچه این مدل‌ها نتایج خیره‌کننده‌ای به دست آورده‌اند، اما از نظر توضیح‌پذیری و تفسیرپذیری محدود هستند: منطق پشت تصمیم گرفته شده چیست؟ چه چیزی در ساختار مدل عملکرد آن را توضیح می دهد؟ از این رو، در حالی که عملکرد خوب یک ویژگی ضروری ضروری برای ماشین‌های یادگیری است، قابلیت‌های توضیح‌پذیری و تفسیرپذیری لازم است تا ماشین‌های یادگیری را به مرحله بعدی برسانیم تا آنها را در سیستم‌های پشتیبانی تصمیم‌گیری شامل نظارت انسانی شامل شود.
این کتاب که توسط محققان برجسته بین المللی نوشته شده است، به موضوعات کلیدی توضیح پذیری و تفسیرپذیری می پردازد، از جمله موارد زیر:
· ارزیابی و تعمیم در یادگیری ماشینی قابل تفسیر
· روش‌های توضیحی در یادگیری عمیق
· یادگیری مدل‌های علی تابعی با شبکه‌های عصبی مولد
· یادگیری قوانین قابل تفسیر برای طبقه‌بندی چند برچسبی
< p>· ساختار شبکه‌های عصبی برای پیش‌بینی‌های قابل توضیح بیشتر· ایجاد منطق‌های مستدل تصمیمات طبقه‌بندی بصری عمیق
· ترکیب توضیحات تصویری
· رانندگی عمیق قابل توضیح توسط تجسم توجه علّی
· دیدگاه میان رشته ای در مورد جستجوی الگوریتمی نامزد شغل
· تجزیه و تحلیل ویژگی های شخصیتی چندوجهی برای مدل سازی قابل توضیح تصمیمات مصاحبه شغلی
· نظریه الگوی توضیح پذیری ذاتی- تفسیر رویدادهای ویدیویی مبتنی بر
فهرست مطالب :
Front Matter ....Pages i-xvii
Front Matter ....Pages 1-1
Considerations for Evaluation and Generalization in Interpretable Machine Learning (Finale Doshi-Velez, Been Kim)....Pages 3-17
Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges (Gabriëlle Ras, Marcel van Gerven, Pim Haselager)....Pages 19-36
Front Matter ....Pages 37-37
Learning Functional Causal Models with Generative Neural Networks (Olivier Goudet, Diviyan Kalainathan, Philippe Caillou, Isabelle Guyon, David Lopez-Paz, Michèle Sebag)....Pages 39-80
Learning Interpretable Rules for Multi-Label Classification (Eneldo Loza Mencía, Johannes Fürnkranz, Eyke Hüllermeier, Michael Rapp)....Pages 81-113
Structuring Neural Networks for More Explainable Predictions (Laura Rieger, Pattarawat Chormai, Grégoire Montavon, Lars Kai Hansen, Klaus-Robert Müller)....Pages 115-131
Front Matter ....Pages 133-133
Generating Post-Hoc Rationales of Deep Visual Classification Decisions (Zeynep Akata, Lisa Anne Hendricks, Stephan Alaniz, Trevor Darrell)....Pages 135-154
Ensembling Visual Explanations (Nazneen Fatema Rajani, Raymond J. Mooney)....Pages 155-172
Explainable Deep Driving by Visualizing Causal Attention (Jinkyu Kim, John Canny)....Pages 173-193
Front Matter ....Pages 195-195
Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening (Cynthia C. S. Liem, Markus Langer, Andrew Demetriou, Annemarie M. F. Hiemstra, Achmadnoer Sukma Wicaksana, Marise Ph. Born et al.)....Pages 197-253
Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions (Heysem Kaya, Albert Ali Salah)....Pages 255-275
On the Inherent Explainability of Pattern Theory-Based Video Event Interpretations (Sathyanarayanan N. Aakur, Fillipe D. M. de Souza, Sudeep Sarkar)....Pages 277-299
توضیحاتی در مورد کتاب به زبان اصلی :
This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning.
Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision.
This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following:
· Evaluation and Generalization in Interpretable Machine Learning
· Explanation Methods in Deep Learning
· Learning Functional Causal Models with Generative Neural Networks
· Learning Interpreatable Rules for Multi-Label Classification
· Structuring Neural Networks for More Explainable Predictions
· Generating Post Hoc Rationales of Deep Visual Classification Decisions
· Ensembling Visual Explanations
· Explainable Deep Driving by Visualizing Causal Attention
· Interdisciplinary Perspective on Algorithmic Job Candidate Search
· Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions
· Inherent Explainability Pattern Theory-based Video Event Interpretations
پست ها تصادفی