Svelare la scatola nera: Deep Learning pratico e IA spiegabile
"Unveiling the Black Box: Practical Deep Learning and Explainable AI" offre una panoramica completa delle tecniche di Explainable AI (XAI) e della loro importanza nel garantire trasparenza e fiducia nei modelli di AI complessi. Con applicazioni di AI che spaziano dall'assistenza sanitaria alla finanza e ai sistemi autonomi, l'opacità dei modelli di deep learning solleva spesso preoccupazioni etiche, legali e di affidabilità. Questa guida esplora le strutture fondamentali del modello di AI, come Feedforward Neural Networks (FNN), Convolutional Neural Networks (CNN) e Recurrent Neural Networks (RNN), evidenziandone l'architettura, la funzionalità e le applicazioni nel mondo reale. Per migliorare l'interpretabilità, il testo introduce i principali metodi XAI come Local Interpretable Model-Agnostic Explanations (LIME) e SHAPley Additive Explanations (SHAP), che consentono agli utenti di comprendere le previsioni del modello. Vengono discusse tecniche avanzate, tra cui Transfer Learning e Attention Mechanisms, per illustrare il loro impatto sull'adattabilità e le prestazioni della rete neurale. Vengono inoltre affrontate le sfide del raggiungimento di un'AI interpretabile, come la gestione del bias, il bilanciamento dell'accuratezza e la garanzia della privacy.
1146714809
Svelare la scatola nera: Deep Learning pratico e IA spiegabile
"Unveiling the Black Box: Practical Deep Learning and Explainable AI" offre una panoramica completa delle tecniche di Explainable AI (XAI) e della loro importanza nel garantire trasparenza e fiducia nei modelli di AI complessi. Con applicazioni di AI che spaziano dall'assistenza sanitaria alla finanza e ai sistemi autonomi, l'opacità dei modelli di deep learning solleva spesso preoccupazioni etiche, legali e di affidabilità. Questa guida esplora le strutture fondamentali del modello di AI, come Feedforward Neural Networks (FNN), Convolutional Neural Networks (CNN) e Recurrent Neural Networks (RNN), evidenziandone l'architettura, la funzionalità e le applicazioni nel mondo reale. Per migliorare l'interpretabilità, il testo introduce i principali metodi XAI come Local Interpretable Model-Agnostic Explanations (LIME) e SHAPley Additive Explanations (SHAP), che consentono agli utenti di comprendere le previsioni del modello. Vengono discusse tecniche avanzate, tra cui Transfer Learning e Attention Mechanisms, per illustrare il loro impatto sull'adattabilità e le prestazioni della rete neurale. Vengono inoltre affrontate le sfide del raggiungimento di un'AI interpretabile, come la gestione del bias, il bilanciamento dell'accuratezza e la garanzia della privacy.
84.0 In Stock
Svelare la scatola nera: Deep Learning pratico e IA spiegabile

Svelare la scatola nera: Deep Learning pratico e IA spiegabile

Svelare la scatola nera: Deep Learning pratico e IA spiegabile

Svelare la scatola nera: Deep Learning pratico e IA spiegabile

Overview

"Unveiling the Black Box: Practical Deep Learning and Explainable AI" offre una panoramica completa delle tecniche di Explainable AI (XAI) e della loro importanza nel garantire trasparenza e fiducia nei modelli di AI complessi. Con applicazioni di AI che spaziano dall'assistenza sanitaria alla finanza e ai sistemi autonomi, l'opacità dei modelli di deep learning solleva spesso preoccupazioni etiche, legali e di affidabilità. Questa guida esplora le strutture fondamentali del modello di AI, come Feedforward Neural Networks (FNN), Convolutional Neural Networks (CNN) e Recurrent Neural Networks (RNN), evidenziandone l'architettura, la funzionalità e le applicazioni nel mondo reale. Per migliorare l'interpretabilità, il testo introduce i principali metodi XAI come Local Interpretable Model-Agnostic Explanations (LIME) e SHAPley Additive Explanations (SHAP), che consentono agli utenti di comprendere le previsioni del modello. Vengono discusse tecniche avanzate, tra cui Transfer Learning e Attention Mechanisms, per illustrare il loro impatto sull'adattabilità e le prestazioni della rete neurale. Vengono inoltre affrontate le sfide del raggiungimento di un'AI interpretabile, come la gestione del bias, il bilanciamento dell'accuratezza e la garanzia della privacy.

Product Details

ISBN-13: 9786208170950
Publisher: Edizioni Sapienza
Publication date: 12/16/2024
Pages: 144
Product dimensions: 6.00(w) x 9.00(h) x 0.34(d)
Language: Italian
From the B&N Reads Blog
Page 1 of

Customer Reviews