万本电子书0元读

万本电子书0元读

顶部广告

可解释人工智能导论电子书

暂无

售       价:¥

纸质售价:¥118.50购买纸书

93人正在读 | 0人评论 7.2

作       者:杨强 等

出  版  社:电子工业出版社

出版时间:2022-04-01

字       数:28.1万

所属分类: 科技 > 计算机/网络 > 多媒体/数据通信

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书全面介绍可解释人工智能的基础知识、理论方法和行业应用。全书分为三部分,共11 章。部分包括第1章,揭示基于数据驱动的人工智能系统决策机制,提出一种基于人机沟通交互场景的可解释人工智能范式。第二部分为第2~5 章,介绍各种可解释人工智能技术方法,包括贝叶斯方法、基于因果启发的稳定学习和反事实推理、基于与或图模型的人机协作解释、对深度神经网络的解释。第三部分为第6~10 章,分别介绍可解释人工智能在生物医疗、金融、计算机视觉、自然语言处理、推荐系统等领域的应用案例,详细说明可解释性在司法、城市管理、安防和制造等实际应用中发挥的积极作用。第11 章对全书行总结,并论述可解释人工智能研究面临的挑战和未来发展趋势。此外,本书的附录给出可解释人工智能相关的源资源、中英文术语对照及索引,方便读者一步查阅。   本书既适合高等院校计算机和信息处理相关专业的高年级本科生和研究生,以及人工智能领域的研究员和学者阅读;也适合关注人工智能应用及其社会影响力的政策制定者、法律工作者、社会科学研究人士等阅读。  <br/>【推荐语】<br/>阐述可解释AI研究的问题和方法,详尽展示其广泛应用和积极作用。   √ 领域名家扛鼎之作。本书汇集了人工智能领域的12位名家,他们均是机器学习、计算机视觉、自然语言处理,以及在生物医疗、金融、推荐系统等应用领域的集大成者,研究成果卓著,本书正是诸位专家数年研究成果的扛鼎之作。   √ 系统全面自成一体。本书讨论了可解释AI 的目的、定义、范畴、面临的挑战及未来发展方向,特别是本书多角度论述了可解释AI 的不足,并提出了基于人机交互沟通的可解释AI 范式。   √ 知识完备循序渐。作为一本导论性质的介绍图书,本书内容深浅出,从基础的人工智能的可解释性概念层面展讨论,先帮助读者建立对可解释AI 的直观、形象的理解,再介绍可解释AI 的前沿方法,后通过一系列丰富的行业应用案例,巩固读者对书中所介绍的可解释AI 技术的理解,从而完成对可解释AI领域循序渐的介绍。   √ 理论实践价值兼备。本书系统地论述了可解释AI 的理论发展现状,并按照五类分类介绍了解释性方法,即可解释图模型、贝叶斯深度学习模型、基于知识图谱的可解释模型、基于可解释性的交流学习、对神经网络的解释。同时,本书从介绍了可解释性方法在医疗、金融、视觉、自然语言处理、推荐系统等方面的应用角度出发,明确指出在各种场景下解释所要达到的具体目标。   √ 应用案例翔实丰富。本书从分析对可解释AI 的实际需求出发,深及时地介绍前沿方法。全书共有15个应用案例,分别包括:基因编辑和医学影像处理,金融量化投资和信用违约预测,模型安全、视觉问答和知识发现,对话系统、智能问答、情感分析和自动文摘,电子商务、社交网站、基于位置的服务和多媒体系统。不同行业的产业从业者,都可以从中了解可解释AI的落地方法。   √ 内容实用覆盖面广。本书覆盖人群广泛,对于门读者,本书对可解释AI 前沿技术及时归纳梳理,并深浅出地介绍;对于资深的研究者,本书也给出了阶的研究路径;对于行业应用者,本书提出了选择不同解决方案的依据。同时,本书也照顾到关注人工智能应用及具有社会影响力的人士,包括政策制定者、法律工作者和社会科学研究人士。   √ 配套资源丰富齐全。本书配备丰富的学习资料,包括配套PPT、可解释AI 相关的源资源、中英术语对照、索引和全书的参考文献,供读者一步查阅学习。  <br/>【作者】<br/>杨强 加拿大工程院及加拿大皇家科学院两院院士,国际人工智能联合会IJCAI前理事会主席,香港科技大学讲席教授。领衔全球迁移学习和联邦学习研究及应用,近的著作有《迁移学习》《联邦学习》《联邦学习实战》《隐私计算》等。   范力欣 微众银行人工智能首席科学家,研究领域包括机器学习和深度学习、计算机视觉和模式识别、图像和视频处理等。   朱军 清华大学计算机系教授、人智所所长、北京智源人工智能研究院和瑞莱智慧首席科学家,主要从事机器学习研究。   陈一昕 华夏基金董事总经理,首席数据官兼首席技术官。美国华盛顿大学计算机系教授、大数据科学中心创始主任。研究领域为金融科技、金融数据挖掘、智能投资研究、机器学习、优化算法等。   张拳石 上海交通大学副教授,博士生导师。研究方向为机器学习和计算机视觉,尤其是神经网络可解释性。   朱松纯 北京通用人工智能研究院院长,北京大学人工智能研究院院长,清华大学通用人工智能研究院院长。长期致力于构建计算机视觉、认知科学、乃至人工智能科学的统一数理框架。   陶大程 澳大利亚科学院院士,探索研究院首任院长,兼任悉尼大学数字科学研究所顾问及首席科学家。主要关注可信人工智能研究,尤其是深度学习的基础理论、大规模模型分布式训练以及相关的机器视觉应用。   崔鹏 清华大学计算机系长聘副教授,博士生导师。研究兴趣聚焦于大数据驱动的因果推理和稳定预测、大规模网络表征学习等。   周少华 中国科学技术大学讲席教授、生物医学工程学院执行院长、影像智能与机器人研究中心(筹)主任、中科院计算所客座研究员、香港中文大学(深圳)客座教授。长期致力于医学影像的研究创新及其应用落地。   刘琦 同济大学生命科学与技术学院生物信息系长聘教授,博士生导师。致力于发展人工智能和生物组学交叉融合的研究范式,行精准医学研究。   黄萱菁 复旦大学计算机科学技术学院教授,博士生导师。研究领域为人工智能、自然语言处理、信息检索和社会媒体分析。   张永锋 罗格斯大学计算机系助理教授,博士生导师,互联网智能与经济实验室主任。研究兴趣为机器学习、数据挖掘、信息检索和推荐系统等。  <br/>
目录展开

内容简介

主要作者

章节作者(按姓氏拼音排序)

推荐序

前言

读者服务

作者介绍

第一部分 本书简介

第1章 可解释人工智能概述

1.1 为什么人工智能需要可解释性

1.2 可解释人工智能

1.2.1 目的、定义及范式

1.2.2 层次、分类及应用场景

1.2.3 解释的范畴

1.2.4 解释的评价与度量

1.3 可解释AI的历史及发展现状

1.3.1 可解释AI历史回顾

1.3.2 可解释AI发展现状

1.4 本书结构及阅读建议

第二部分 理论方法

第2章 贝叶斯方法

2.1 贝叶斯网络

2.1.1 贝叶斯网络的表示

2.1.2 贝叶斯网络的推断

2.1.3 贝叶斯网络的学习

2.1.4 贝叶斯规划学习

2.2 贝叶斯深度学习

2.2.1 深度生成模型

2.2.2 贝叶斯神经网络

2.3 从贝叶斯网络到可解释的因果模型

2.4 延伸阅读

2.5 小结

第3章 基于因果启发的稳定学习和反事实推理

3.1 将因果引入机器学习的增益

3.1.1 制约人工智能技术的可解释性和稳定性问题

3.1.2 关联性和因果性

3.2 挖掘数据中的因果关联

3.2.1 因果推理框架和因果效应定义

3.2.2 潜在结果框架下的因果效应评估

3.3 稳定学习

3.3.1 二值特征下的稳定学习

3.3.2 连续特征下的稳定学习

3.3.3 从统计学习角度的解释

3.3.4 区分性变量去关联的稳定学习

3.3.5 与深度神经网络相结合的稳定学习

3.4 反事实推理

3.4.1 二值类型干预的反事实推理

3.4.2 多维类型干预下的反事实推理

3.4.3 存在未观测混淆变量的反事实推理

3.5 小结

第4章 基于与或图模型的人机协作解释

4.1 与或图模型

4.2 基于与或图的多路径认知过程

4.3 人机协作对齐人类认知结构和与或图模型

4.3.1 通过交互式问答构建与人类认知系统对齐的与或图模型

4.3.2 评价模型的可解读性:“气泡游戏”实验

4.3.3 模型通过主动建模用户认知提升可解读性

4.4 小结

第5章 对深度神经网络的解释

5.1 神经网络特征可视化

5.1.1 最大激活响应可视化

5.1.2 网络解剖与特征语义分析

5.1.3 基于反向传播的输入重建可视化

5.1.4 CAM/Grad-CAM

5.2 输入单元重要性归因

5.2.1 SHAP算法

5.2.2 导向反向传播算法

5.2.3 逐层相关性传播算法

5.2.4 积分梯度算法

5.2.5 LIME

5.3 博弈交互解释性理论

5.3.1 理论基础:沙普利值

5.3.2 博弈交互的定义

5.3.3 博弈交互的性质

5.3.4 博弈交互与语义表达

5.3.5 解释随机失活操作

5.3.6 解释批规范化操作

5.3.7 解释对抗迁移性和对抗鲁棒性

5.4 对神经网络特征质量解构、解释和可视化

5.4.1 解释表征一致性

5.4.2 解释复杂度

5.5 对表达结构的解释

5.5.1 代理模型解释

5.5.2 对自然语言网络中语言结构的提取和解释

5.6 可解释的神经网络

5.6.1 胶囊网络

5.6.2 β-变分自编码器

5.6.3 可解释的卷积神经网络

5.6.4 可解释的组成卷积神经网络

5.7 小结

第三部分 行业应用

第6章 生物医疗应用中的可解释人工智能

6.1 基因编辑系统优化设计中的可解释人工智能

6.1.1 基因编辑系统背景介绍

6.1.2 基因编辑系统优化设计可解释AI模型构建

6.2 医学影像中的可解释性

6.2.1 概述

6.2.2 可解释性胸片诊断

6.2.3 具有自适应性的通用模型学习

6.3 小结

第7章 金融应用中的可解释人工智能

7.1 简介

7.1.1 金融行业背景介绍

7.1.2 金融市场介绍

7.1.3 可解释AI面向各金融行业对象的必要性

7.1.4 金融监管对于可解释性的要求

7.2 金融可解释AI的案例

7.2.1 事后可解释模型解释人工智能量化模型

7.2.2 高风险客户信用违约预测

7.2.3 对金融人工智能模型可解释性的监管

7.3 金融可解释AI的发展方向

7.3.1 安全性

7.3.2 平衡性

7.3.3 完整性

7.3.4 交互性

7.3.5 时效性

7.3.6 深化推广应用

7.4 延伸阅读

7.5 小结

第8章 计算机视觉应用中的可解释人工智能

8.1 背景

8.1.1 机器视觉与可解释性

8.1.2 可解释性与机器视觉发展

8.2 视觉关系抽取

8.2.1 基本概念

8.2.2 视觉关系检测中可解释性的重要性

8.2.3 可解释视觉关系抽取

8.3 视觉推理

8.3.1 基本概念

8.3.2 可解释视觉推理示例

8.4 视觉鲁棒性

8.4.1 动态与静态可解释性分析

8.4.2 数字世界与物理世界模型安全可解释性

8.5 视觉问答

8.5.1 基本概念

8.5.2 视觉问答中可解释性的重要性

8.5.3 可解释性视觉问答示例

8.6 知识发现

8.6.1 基本概念

8.6.2 视觉可解释性与知识发现的关系

8.6.3 可解释性知识发现案例

8.7 小结

第9章 自然语言处理中的可解释人工智能

9.1 简介

9.2 可解释自然语言处理中的模型结构分析

9.2.1 为什么模型结构分析很重要

9.2.2 设置探针任务窥探模型结构的功能

9.2.3 错误类型分析

9.2.4 可解释评估

9.3 可解释自然语言处理中的模型行为分析

9.3.1 为什么模型行为分析很重要

9.3.2 预测行为分析

9.4 自然语言处理任务中的可解释性

9.4.1 对话系统

9.4.2 智能问答系统

9.4.3 情感分析系统

9.4.4 自动文摘系统

9.5 延伸阅读

9.5.1 鲁棒性分析

9.5.2 泛化性分析

9.6 小结

第10章 推荐系统中的可解释人工智能

10.1 简介

10.2 初探可解释推荐

10.3 可解释推荐的历史与背景

10.4 推荐系统基础

10.4.1 推荐系统的输入

10.4.2 推荐系统的输出

10.4.3 推荐系统的三大核心问题

10.5 基本的推荐模型

10.5.1 协同过滤

10.5.2 协同推理

10.6 可解释的推荐模型

10.7 可解释推荐的应用

10.7.1 电子商务

10.7.2 社交网站

10.7.3 基于位置的服务

10.7.4 多媒体系统

10.7.5 其他应用

10.8 延伸阅读:其他可解释推荐模型

10.8.1 基于图和知识图谱的可解释推荐模型

10.8.2 深度学习推荐系统的可解释性

10.8.3 基于自然语言生成的解释

10.8.4 基于因果和反事实推理的解释

10.9 小结

第11章 结论

附录A 传统机器学习中的可解释模型

附录B 可解释人工智能相关研究资源

参考文献

索引

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部