مریم محمودی
| عنوان اصلی | Interpretable Machine Learning — A Guide for Making Black Box Models Explainable |
|---|---|
| نویسنده | Christoph Molnar |
| مترجم | مریم محمودی |
| ویرایش | سوم (3rd Edition) |
| مجوز | Creative Commons BY-NC-SA 4.0 |
| کتاب اصلی | christophm.github.io/interpretable-ml-book |
فهرست مطالب
مقدمه و مبانی
- فصل ۱ — مقدمه
- فصل ۲ — تفسیرپذیری
- فصل ۳ — اهداف تفسیرپذیری
- فصل ۴ — مروری بر روشها
- فصل ۵ — داده و مدلها
مدلهای قابل تفسیر
- فصل ۶ — رگرسیون خطی
- فصل ۷ — رگرسیون لجستیک
- فصل ۸ — GLM، GAM و بیشتر
- فصل ۹ — درخت تصمیم
- فصل ۱۰ — قوانین تصمیم
- فصل ۱۱ — برازش قانون
روشهای محلی مستقل از مدل
- فصل ۱۲ — نمودارهای Ceteris Paribus
- فصل ۱۳ — انتظار شرطی فردی (ICE)
- فصل ۱۴ — LIME
- فصل ۱۵ — توضیحات خلاف واقع
- فصل ۱۶ — قوانین محدودهدار (Anchors)
- فصل ۱۷ — مقادیر Shapley
- فصل ۱۸ — SHAP
روشهای سراسری مستقل از مدل
- فصل ۱۹ — نمودار وابستگی جزئی (PDP)
- فصل ۲۰ — اثرات محلی انباشته (ALE)
- فصل ۲۱ — تعامل ویژگیها
- فصل ۲۲ — تجزیه تابعی
- فصل ۲۳ — اهمیت ویژگی با جایگشت
- فصل ۲۴ — اهمیت LOFO
- فصل ۲۵ — مدلهای جایگزین سراسری
- فصل ۲۶ — نمونههای اولیه و انتقادات
تفسیر شبکههای عصبی
- فصل ۲۷ — ویژگیهای آموختهشده
- فصل ۲۸ — نقشههای برجستگی
- فصل ۲۹ — تشخیص مفاهیم
- فصل ۳۰ — مثالهای خصمانه
- فصل ۳۱ — نمونههای تأثیرگذار