Machine Learning for High-Risk Applications
- Autorzy:
- Patrick Hall, James Curtis, Parul Pandey
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 470
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Machine Learning for High-Risk Applications
The past decade has witnessed the broad adoption of artificial intelligence and machine learning (AI/ML) technologies. However, a lack of oversight in their widespread implementation has resulted in some incidents and harmful outcomes that could have been avoided with proper risk management. Before we can realize AI/ML's true benefit, practitioners must understand how to mitigate its risks.
This book describes approaches to responsible AI—a holistic framework for improving AI/ML technology, business processes, and cultural competencies that builds on best practices in risk management, cybersecurity, data privacy, and applied social science. Authors Patrick Hall, James Curtis, and Parul Pandey created this guide for data scientists who want to improve real-world AI/ML system outcomes for organizations, consumers, and the public.
- Learn technical approaches for responsible AI across explainability, model validation and debugging, bias management, data privacy, and ML security
- Learn how to create a successful and impactful AI risk management practice
- Get a basic guide to existing standards, laws, and assessments for adopting AI technologies, including the new NIST AI Risk Management Framework
- Engage with interactive resources on GitHub and Colab
Wybrane bestsellery
-
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
(71.20 zł najniższa cena z 30 dni)57.84 zł
89.00 zł(-35%) -
Odkryj fascynujący świat sztucznej inteligencji (AI) bez zbędnych komplikacji! Ta książka to idealny przewodnik dla każdego, kto chce zrozumieć, jak AI zmienia nasz świat, od podstawowych pojęć po zaawansowane technologie. Dzięki jasnym wyjaśnieniom i przystępnemu językowi, autor demistyfikuje sk...
AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki
-
Tę książkę docenią wszyscy zainteresowani eksploracją danych i uczeniem maszynowym, którzy chcieliby pewnie poruszać się w świecie nauki o danych. Pokazano tu, w jaki sposób Excel pozwala zobrazować proces ich eksplorowania i jak działają poszczególne techniki w tym zakresie. Przejrzyście wyjaśni...
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku
(40.20 zł najniższa cena z 30 dni)43.55 zł
67.00 zł(-35%) -
Oto praktyczny przewodnik po nauce o danych w miejscu pracy. Dowiesz się stąd wszystkiego, co ważne na początku Twojej drogi jako danologa: od osobowości, z którymi przyjdzie Ci pracować, przez detale analizy danych, po matematykę stojącą za algorytmami i uczeniem maszynowym. Nauczysz się myśleć ...
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
(41.40 zł najniższa cena z 30 dni)44.85 zł
69.00 zł(-35%) -
Książka jest adresowana do wszystkich, którzy chcą budować, rozwijać i skalować systemy NLP w środowisku biznesowym, a także dostosowywać je do swojej branży. Opisuje tworzenie rzeczywistych aplikacji NLP. Omawia pełny cykl życia typowego projektu NLP, od zbierania danych po wdrożenie i monitorow...
Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP
Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, Harshit Surana
(65.40 zł najniższa cena z 30 dni)70.85 zł
109.00 zł(-35%) -
Głębokie sieci neuronowe mają niesamowity potencjał. Osiągnięcia ostatnich lat nadały procesom uczenia głębokiego zupełnie nową jakość. Obecnie nawet programiści niezaznajomieni z tą technologią mogą korzystać z prostych i niezwykle skutecznych narzędzi, pozwalających na sprawne implementowanie p...
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
(107.40 zł najniższa cena z 30 dni)116.35 zł
179.00 zł(-35%) -
Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków ja...(29.40 zł najniższa cena z 30 dni)
31.85 zł
49.00 zł(-35%) -
Sztuczna inteligencja staje się powoli nieodzownym składnikiem naszego życia. Przeszła długą drogę od modnego hasła pojawiającego się głównie w specjalistycznych publikacjach do technologii mającej realny wpływ na naszą codzienność. Z każdym dniem lepiej radzi sobie z coraz bardziej zaawansowanym...(41.40 zł najniższa cena z 30 dni)
55.20 zł
69.00 zł(-20%) -
To książka przeznaczona dla inżynierów, którzy chcą stosować systemy uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych. Zaprezentowano w niej systemy ML używane w szybko rozwijających się startupach, a także przedstawiono holistyczne podejście do ich projektowania ― z...
Jak projektować systemy uczenia maszynowego. Iteracyjne tworzenie aplikacji gotowych do pracy Jak projektować systemy uczenia maszynowego. Iteracyjne tworzenie aplikacji gotowych do pracy
(53.40 zł najniższa cena z 30 dni)57.84 zł
89.00 zł(-35%) -
Oto pierwszy tom dzieła, które stanowi inspirujące spojrzenie na sztuczną inteligencję. Jego zrozumienie nie wymaga wybitnej znajomości informatyki i matematyki. Książka jest wspaniałą syntezą wczesnych i późniejszych koncepcji, a także technik, przeprowadzoną we frameworku idei, metod i technolo...
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1 Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1
(101.40 zł najniższa cena z 30 dni)109.85 zł
169.00 zł(-35%)
Ebooka "Machine Learning for High-Risk Applications" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Machine Learning for High-Risk Applications" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Machine Learning for High-Risk Applications" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-10-981-0239-5, 9781098102395
- Data wydania ebooka:
- 2023-04-17 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 11.4MB
- Rozmiar pliku Mobi:
- 21.9MB
Spis treści ebooka
- Foreword
- Preface
- Who Should Read This Book
- What Readers Will Learn
- Alignment with the NIST AI Risk Management Framework
- Book Outline
- Part I
- Part II
- Part III
- Example Datasets
- Taiwan Credit Data
- Kaggle Chest X-Ray Data
- Conventions Used in This Book
- Online Figures
- Using Code Examples
- OReilly Online Learning
- How to Contact Us
- Acknowledgments
- Patrick Hall
- James Curtis
- Parul Pandey
- I. Theories and Practical Applications of AI Risk Management
- 1. Contemporary Machine Learning
Risk Management
- A Snapshot of the Legal and Regulatory Landscape
- The Proposed EU AI Act
- US Federal Laws and Regulations
- State and Municipal Laws
- Basic Product Liability
- Federal Trade Commission Enforcement
- A Snapshot of the Legal and Regulatory Landscape
- Authoritative Best Practices
- AI Incidents
- Cultural Competencies for Machine
Learning Risk Management
- Organizational Accountability
- Culture of Effective Challenge
- Diverse and Experienced Teams
- Drinking Our Own Champagne
- Moving Fast and Breaking Things
- Organizational Processes for Machine
Learning Risk Management
- Forecasting Failure Modes
- Known past failures
- Failures of imagination
- Forecasting Failure Modes
- Model Risk Management Processes
- Risk tiering
- Model documentation
- Model monitoring
- Model inventories
- System validation and process auditing
- Change management
- Beyond Model Risk Management
- Model audits and assessments
- Impact assessments
- Appeal, override, and opt out
- Pair and double programming
- Security permissions for model deployment
- Bug bounties
- AI incident response
- Case Study: The Rise and Fall of Zillows iBuying
- Fallout
- Lessons Learned
- Resources
- 2. Interpretable and Explainable
Machine Learning
- Important Ideas for Interpretability and Explainability
- Explainable Models
- Additive Models
- Penalized regression
- Generalized additive models
- GA2M and explainable boosting machines
- Additive Models
- Decision Trees
- Single decision trees
- Constrained XGBoost models
- An Ecosystem of Explainable Machine Learning Models
- Post Hoc Explanation
- Feature Attribution and Importance
- Local explanations and feature attribution
- Shapley values
- Critical applications of local explanations and feature importance
- Local explanations and feature attribution
- Global feature importance
- Feature Attribution and Importance
- Surrogate Models
- Decision tree surrogates
- Linear models and local interpretable model-agnostic explanations
- Anchors and rules
- Plots of Model Performance
- Partial dependence and individual conditional expectation
- Accumulated local effect
- Cluster Profiling
- Stubborn Difficulties of Post Hoc Explanation in Practice
- Pairing Explainable Models and Post Hoc Explanation
- Case Study: Graded by Algorithm
- Resources
- 3. Debugging Machine Learning Systems
for Safety and Performance
- Training
- Reproducibility
- Data Quality
- Model Specification for Real-World Outcomes
- Benchmarks and alternatives
- Calibration
- Construct validity
- Assumptions and limitations
- Default loss functions
- Multiple comparisons
- The future of safe and robust machine learning
- Training
- Model Debugging
- Software Testing
- Traditional Model Assessment
- Common Machine Learning Bugs
- Distribution shifts
- Epistemic uncertainty and data sparsity
- Instability
- Leakage
- Looped inputs
- Overfitting
- Shortcut learning
- Underfitting
- Underspecification
- Residual Analysis
- Analysis and visualizations of residuals
- Modeling residuals
- Local contribution to residuals
- Sensitivity Analysis
- Benchmark Models
- Remediation: Fixing Bugs
- Deployment
- Domain Safety
- Model Monitoring
- Model decay and concept drift
- Detecting and addressing drift
- Monitoring multiple key performance indicators
- Out-of-range values
- Anomaly detection and benchmark models
- Kill switches
- Case Study: Death by Autonomous Vehicle
- Fallout
- An Unprepared Legal System
- Lessons Learned
- Resources
- 4. Managing Bias in Machine Learning
- ISO and NIST Definitions for Bias
- Systemic Bias
- Statistical Bias
- Human Biases and Data Science Culture
- ISO and NIST Definitions for Bias
- Legal Notions of ML Bias in the United States
- Who Tends to Experience Bias from ML Systems
- Harms That People Experience
- Testing for Bias
- Testing Data
- Traditional Approaches: Testing for Equivalent Outcomes
- Statistical significance testing
- Practical significance testing
- A New Mindset: Testing for Equivalent Performance Quality
- On the Horizon: Tests for the Broader ML Ecosystem
- Summary Test Plan
- Mitigating Bias
- Technical Factors in Mitigating Bias
- The Scientific Method and Experimental Design
- Bias Mitigation Approaches
- Human Factors in Mitigating Bias
- Case Study: The Bias Bug Bounty
- Resources
- 5. Security for Machine Learning
- Security Basics
- The Adversarial Mindset
- CIA Triad
- Best Practices for Data Scientists
- Security Basics
- Machine Learning Attacks
- Integrity Attacks: Manipulated Machine Learning Outputs
- Adversarial example attacks
- Backdoor attacks
- Data poisoning attacks
- Impersonation and evasion attacks
- Attacks on machine learning explanations
- Integrity Attacks: Manipulated Machine Learning Outputs
- Confidentiality Attacks: Extracted Information
- Model extraction and inversion attacks
- Membership inference attacks
- General ML Security Concerns
- Countermeasures
- Model Debugging for Security
- Adversarial example searches and sensitivity analysis
- Auditing for insider data poisoning
- Bias testing
- Ethical hacking: model extraction attacks
- Model Debugging for Security
- Model Monitoring for Security
- Privacy-Enhancing Technologies
- Federated learning
- Differential privacy
- Robust Machine Learning
- General Countermeasures
- Case Study: Real-World Evasion Attacks
- Evasion Attacks
- Lessons Learned
- Resources
- II. Putting AI Risk Management into Action
- 6. Explainable Boosting Machines
and Explaining XGBoost
- Concept Refresher: Machine Learning Transparency
- Additivity Versus Interactions
- Steps Toward Causality with Constraints
- Partial Dependence and Individual Conditional Expectation
- Shapley Values
- Model Documentation
- Concept Refresher: Machine Learning Transparency
- The GAM Family of Explainable Models
- Elastic NetPenalized GLM with Alpha and Lambda Search
- Generalized Additive Models
- GA2M and Explainable Boosting Machines
- XGBoost with Constraints and Post Hoc Explanation
- Constrained and Unconstrained XGBoost
- Explaining Model Behavior with Partial Dependence and ICE
- Decision Tree Surrogate Models as an Explanation Technique
- Shapley Value Explanations
- Problems with Shapley values
- Better-Informed Model Selection
- Resources
- 7. Explaining a PyTorch Image Classifier
- Explaining Chest X-Ray Classification
- Concept Refresher: Explainable Models
and Post Hoc Explanation Techniques
- Explainable Models Overview
- Occlusion Methods
- Gradient-Based Methods
- Explainable AI for Model Debugging
- Explainable Models
- ProtoPNet and Variants
- Other Explainable Deep Learning Models
- Training and Explaining a PyTorch Image Classifier
- Training Data
- Addressing the Dataset Imbalance Problem
- Data Augmentation and Image Cropping
- Model Training
- Evaluation and Metrics
- Generating Post Hoc Explanations Using Captum
- Occlusion
- Input * gradient
- Integrated gradients
- Layer-wise Relevance Propagation
- Evaluating Model Explanations
- The Robustness of Post Hoc Explanations
- Conclusion
- Resources
- 8. Selecting and Debugging XGBoost Models
- Concept Refresher: Debugging ML
- Model Selection
- Sensitivity Analysis
- Residual Analysis
- Remediation
- Concept Refresher: Debugging ML
- Selecting a Better XGBoost Model
- Sensitivity Analysis for XGBoost
- Stress Testing XGBoost
- Stress Testing Methodology
- Altering Data to Simulate Recession Conditions
- Adversarial Example Search
- Residual Analysis for XGBoost
- Analysis and Visualizations of Residuals
- Segmented Error Analysis
- Modeling Residuals
- Remediating the Selected Model
- Overemphasis of PAY_0
- Miscellaneous Bugs
- Conclusion
- Resources
- 9. Debugging a PyTorch Image Classifier
- Concept Refresher: Debugging Deep Learning
- Debugging a PyTorch Image Classifier
- Data Quality and Leaks
- Software Testing for Deep Learning
- Sensitivity Analysis for Deep Learning
- Domain and subpopulation shift testing
- Adversarial example attacks
- Perturbing computational hyperparameters
- Remediation
- Data fixes
- Software fixes
- Sensitivity Fixes
- Noise injection
- Additional stability fixes
- Conclusion
- Resources
- 10. Testing and Remediating
Bias with XGBoost
- Concept Refresher: Managing ML Bias
- Model Training
- Evaluating Models for Bias
- Testing Approaches for Groups
- Testing performance
- Traditional testing of outcomes rates
- Testing Approaches for Groups
- Individual Fairness
- Proxy Bias
- Remediating Bias
- Preprocessing
- In-processing
- Postprocessing
- Model Selection
- Conclusion
- Resources
- 11. Red-Teaming XGBoost
- Concept Refresher
- CIA Triad
- Attacks
- Countermeasures
- Concept Refresher
- Model Training
- Attacks for Red-Teaming
- Model Extraction Attacks
- Adversarial Example Attacks
- Membership Attacks
- Data Poisoning
- Backdoors
- Conclusion
- Resources
- III. Conclusion
- 12. How to Succeed in High-Risk
Machine Learning
- Who Is in the Room?
- Science Versus Engineering
- The Data-Scientific Method
- The Scientific Method
- Evaluation of Published Results and Claims
- Apply External Standards
- Commonsense Risk Mitigation
- Conclusion
- Resources
- Index
O'Reilly Media - inne książki
-
Software as a service (SaaS) is on the path to becoming the de facto model for building, delivering, and operating software solutions. Adopting a multi-tenant SaaS model requires builders to take on a broad range of new architecture, implementation, and operational challenges. How data is partiti...(237.15 zł najniższa cena z 30 dni)
245.65 zł
289.00 zł(-15%) -
Great engineers don't necessarily make great leaders—at least, not without a lot of work. Finding your path to becoming a strong leader is often fraught with challenges. It's not easy to figure out how to be strategic, successful, and considerate while also being firm. Whether you're on the...(118.15 zł najniższa cena z 30 dni)
126.65 zł
149.00 zł(-15%) -
Data science happens in code. The ability to write reproducible, robust, scaleable code is key to a data science project's success—and is absolutely essential for those working with production code. This practical book bridges the gap between data science and software engineering,and clearl...(211.65 zł najniższa cena z 30 dni)
220.15 zł
259.00 zł(-15%) -
With the massive adoption of microservices, operators and developers face far more complexity in their applications today. Service meshes can help you manage this problem by providing a unified control plane to secure, manage, and monitor your entire network. This practical guide shows you how th...(194.65 zł najniższa cena z 30 dni)
211.65 zł
249.00 zł(-15%) -
Get practical advice on how to leverage AI development tools for all stages of code creation, including requirements, planning, design, coding, debugging, testing, and documentation. With this book, beginners and experienced developers alike will learn how to use a wide range of tools, from gener...(177.65 zł najniższa cena z 30 dni)
164.25 zł
219.00 zł(-25%) -
Rust's popularity is growing, due in part to features like memory safety, type safety, and thread safety. But these same elements can also make learning Rust a challenge, even for experienced programmers. This practical guide helps you make the transition to writing idiomatic Rust—while als...(177.65 zł najniższa cena z 30 dni)
164.25 zł
219.00 zł(-25%) -
Advance your Power BI skills by adding AI to your repertoire at a practice level. With this practical book, business-oriented software engineers and developers will learn the terminologies, practices, and strategy necessary to successfully incorporate AI into your business intelligence estate. Je...(211.65 zł najniższa cena z 30 dni)
220.15 zł
259.00 zł(-15%) -
Microservices can be a very effective approach for delivering value to your organization and to your customers. If you get them right, microservices help you to move fast by making changes to small parts of your system hundreds of times a day. But if you get them wrong, microservices will just ma...(203.15 zł najniższa cena z 30 dni)
211.65 zł
249.00 zł(-15%) -
JavaScript gives web developers great power to create rich interactive browser experiences, and much of that power is provided by the browser itself. Modern web APIs enable web-based applications to come to life like never before, supporting actions that once required browser plug-ins. Some are s...(186.15 zł najniższa cena z 30 dni)
186.15 zł
219.00 zł(-15%) -
How will software development and operations have to change to meet the sustainability and green needs of the planet? And what does that imply for development organizations? In this eye-opening book, sustainable software advocates Anne Currie, Sarah Hsu, and Sara Bergman provide a unique overview...(160.65 zł najniższa cena z 30 dni)
169.14 zł
199.00 zł(-15%)
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
Oceny i opinie klientów: Machine Learning for High-Risk Applications Patrick Hall, James Curtis, Parul Pandey (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.