機器學習的高風險應用｜負責任的人工智慧方法

機器學習的高風險應用｜負責任的人工智慧方法
Machine Learning for High-Risk Applications

作者： Patrick Hall, James Curtis, Parul Pandey

譯者：

柳百郁

書號： A756

出版日： 2024/03/27

ISBN： 9786263247734

EAN： 9786263247734

紙本書價格： 780

附件：線上下載

電子書：

尚未出版

試讀

博客來

金石堂

天瓏

MOMO

團體購書

回頁首

「作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」
—Christoph Molnar
Interpretable Machine Learning作者

「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，以負責任又可持續的方式成功佈署ML系統。」
—Liz Grennan
Digital Trust, McKinsey&Company初級合夥人暨全球事務共同領導者

過去十年，見證了人工智慧與機器學習(AI/ML)技術的廣泛採用。然而，疏於監督這些廣泛實施的技術，導致原本可由適切風險管理來避免的事故與不良後果。在認識AI/ML真正的好處前，從業人員必須瞭解如何降低風險。

本書說明負責任AI的處理方式：建立在風險管理、資安、資料隱私上，並套用社交科學的最佳實作，提升AI/ML技術、商業程序與文化能力的完整框架。作者Patrick Hall、James Curtis與Parul Pandey創作了這本指南，以期能協助企業、客戶與大眾改善真實世界AI/ML系統結果的資料科學家。

‧學習完整涵蓋可解釋性、模組驗證與除錯、偏見管理、資料隱私與ML安全性的負責任AI技術處理
‧學習如何建立成功的、有影響力的AI風險管理實作
‧對採用AI技術的現有標準、法律與評估方式有基本瞭解，包括近期的NIST AI Risk Management Framework
‧使用GitHub與Colab的互動式資源

回頁首

Patrick Hall 是BNH.AI首席科學家與GWU客座講師成員。
James Curtis 是Solea Energy定量分析研究員。
Parul Pandey 是H2O.ai首席資料科學家。

回頁首

前言
第一部 AI風險管理理論與實務應用
第一章當代機器學習風險管理
第二章可詮釋性與可解釋性機器學習
第三章機器學習系統的安全與效能除錯
第四章機器學習偏差管理
第五章機器學習安全性

第二部 AI 風險管理付諸實現
第六章可解釋增強機與解釋XGBoost
第七章解釋PyTorch 影像分類器
第八章 XGBoost 模型的選擇與除錯
第九章 PyTorch 影像分類除錯
第十章使用XGBoost 測試與補救偏差
第十一章 XGBoost 紅隊演練

第三部結論
第十二章如何實現高風險機器學習目標
索引

回頁首

邊緣AI｜使用嵌入式機器學習解決真實世界的問題設計機器學習系統｜迭代開發生產環境就緒的ML程式精通機器學習｜使用Scikit-Learn, Keras與TensorFlow 第三版

回頁首

請選擇所需之附件

範例檔

檔案名稱	下載	檔案名稱	下載
Machine-Learning-for-High-Risk-Applications-Book-main	下載