机器学习虽然在改进产品性能、产品流程和推进研究方面有很大的潜力，但仍面临一大障碍——计算机无法解释其预测结果。因此，本书旨在阐明如何使机器学习模型及其决策具有可解释性。 《可解释机器学习：黑盒模型可解释性理解指南（第2版）》探索了可解释性的概念，介绍了许多简单的可解释模型，包括决策树、决策规则和线性回归等。本书的重点是模型不可知方法，用于解释黑盒模型（如特征重要性和累积局部效应），以及用Shapley值和局部代理模型解释单个实例预测。此外，本书介绍了深度神经网络的可解释性方法。 《可解释机器学习：黑盒模型可解释性理解指南（第2版）》深入解释并批判性地讨论所有的可解释方法，如它们在黑盒下的运作机制，各自的优缺点，如何解释它们的输出结果。本书将帮助读者选择并正确应用最适用于特定机器学习项目的解释方法。 《可解释机器学习：黑盒模型可解释性理解指南（第2版）...(展开全部)

机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测做出解释，这是当前面临的一大障碍。本书是一本关于使机器学习模型及其决策具有可解释性的书。本书探索了可解释性的概念，介绍了简单的、可解释的模型，例如决策树、决策规则和线性回归，重点介绍了解释黑盒模型的、与模型无关的方法，如特征重要性和累积局部效应，以及用Shapley 值和LIME 解释单个实例预测。 《可解释机器学习：黑盒模型可解释性理解指南》对所有的解释方法进行了深入说明和批判性讨论，例如它们如何在黑盒下工作、它们的优缺点是什么、如何解释它们的输出。本书将解答如何选择并正确应用解释方法。本书的重点是介绍表格式数据的机器学习模型，较少涉及计算机视觉和自然语言处理任务。 《可解释机器学习：黑盒模型可解释性理解指南》适合机器学习从业者、数据科学家、统计学家和所有对使机器学习模型具有可解释...(展开全部)

本书是索信达金融AI实验室团队结合学术界前沿理论研究和金融行业应用经验打造的国内唯一的关于可解释机器学习应用方面的图书。书中将可解释机器学习技术的研究路线和应用成果进行了系统的整理，用通俗易懂的语言详述了可解释机器学习研究中先后出现的各种理论算法，并通过丰富的真实业务场景案例指导读者透彻理解和熟练使用可解释机器学习技术解决现实问题。全书共七章，分为三大部分，第一部分为背景(第1~2章)，阐述可解释机器机器学习的背景和重要性，帮助读者对可解释机器学习建立初步印象 第二部分为理论(第3~4章)，根据可解释机器学习的分类，从内在可解释和事后可解释两个方向介绍该领域中常见的模型和方法，帮助读者搭建起可解释机器学习的理论知识体系 第三部分为实例(第5~7章)，重点介绍可解释机器学习在金融领域不同业务场景的应用成果，通过案例的形式进行了全过程的分享展示，进一步加深读者对可解释机器学习在金融领域应用价值的认识。

本书先从背景出发，阐述黑盒模型存在的问题以及不解决黑盒问题模型可能带来的后果，引出可解释机器学习的重要性；随后，我们从可解释机器学习的研究方向，分为内在可解释模型算法和模型事后解析方法两部分进行介绍，阐述不同模型的原理、应用及其可解释性。z后通过三个不同的应用场景，介绍在银行实战中的数据挖掘方法，由问题、处理方法出发，结合可解释机器学习模型结果，证明模型的有效性和实用性，期望读者通过对本书的阅读，可以更快更好的解决实际业务问题，而非纸上谈兵。业务场景均为业内的典型案例，希望能够对读者有所启发。同时，本书中还会有大量的公式与代码，保证内容的丰富与严谨，经得起推敲，使得读者知其然且知其所以然。

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。第一部分为第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 章对全书进行总结，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开源资源、中英文术语对照及索引，方便读者进一步查阅。 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。

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。第一部分为第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 章对全书进行总结，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开源资源、中英文术语对照及索引，方便读者进一步查阅。 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。

他逃避了那么久还是没有逃离他的手掌心，原以为已经疯癫的尹南宸却又正常且称帝。还把储宴抓了回来，俩人再续旧情…… “储相，孤可舍不得你死。”

他逃避了那么久还是没有逃离他的手掌心，原以为已经疯癫的尹南宸却又正常且称帝。还把储宴抓了回来，俩人再续旧情…… “储相，孤可舍不得你死。”

《解释与理解》(G.H.von Wright.Explanation and understanding,Cornell Uni-versity Press,1971) 是西方有关社会科学方法论的一部名著。其着眼点在于考察自然科学方法用于社会（人文）科学的可能性与限度。社会（人文）科学方法论是目前西方哲学界争论颇为激烈的领域之一。从德国兴起并风靡西方哲学界的哲学阐释学(Hermeneutics)认为社会（人文）科学的最终目的在于达到一种“理解”（understanding）。

机器学习是近年来渐趋热门的一个领域，同时Python 语言经过一段时间的发展也已逐渐成为主流的编程语言之一。本书结合了机器学习和Python 语言两个热门的领域，通过利用两种核心的机器学习算法来将Python 语言在数据分析方面的优势发挥到极致。 全书共有10 章。第1 章讲解了Python 机器学习的生态系统，剩余9 章介绍了众多与机器学习相关的算法，包括各类分类算法、数据可视化技术、推荐引擎等，主要包括机器学习在公寓、机票、IPO 市场、新闻源、内容推广、股票市场、图像、聊天机器人和推荐引擎等方面的应用。 本书适合Python 程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。