「解釈可能な機械学習」に関する唯一の中国語の本はここにあります。復旦大学の大学院生によって翻訳され、元の著者も気に入っています。

この記事はAI新メディアQuantum Bit（公開アカウントID：QbitAI）より許可を得て転載しています。転載の際は出典元にご連絡ください。

新型コロナウイルス感染症の流行により、多くのAI医療技術が注目を集めています。

しかし、AI には常にブラックボックスの問題があります。AI がプロセスを説明できない場合、患者の診断を AI に任せることができるのでしょうか?機械学習の解釈可能な問題に関する本はほとんどありません。

最近、復旦大学の大学院生である朱明超さんが、『解釈可能な機械学習』という珍しい書籍を中国語に翻訳しました。

この本はもともと、ドイツのミュンヘン大学の博士号を持つ Christoph Molnar 氏によって執筆されました。完成までに 2 年かかりました。250 ページにわたるこの本は、解釈可能な機械学習を体系的に紹介する唯一の本です。

Zhu Mingchao 氏は最近この本の翻訳と校正を完了し、オープンソース化されて GitHub ウェブサイトに掲載されました。翻訳の過程で、朱氏は原作者とも何度も議論を重ね、中国語版はクリストフ・モルナー氏本人のTwitterでの推薦もあった。

「説明可能性」はこの本の中心的なテーマです。著者は、解釈可能性は機械学習だけでなく日常生活においても非常に重要な問題であると考えています。この本は、機械学習の実践者、データサイエンティスト、統計学者、および機械学習モデルを解釈可能にすることに関心のあるすべての人に推奨されます。

本書「解釈可能な機械学習」には、合計 7 つの章が含まれています。

モルナー氏は、データセットとブラックボックス機械学習は多くの問題を解決するが、これがそれらを使用する最良の方法ではないと述べた。現在、モデル自体が情報源としてデータに取って代わっているが、解釈可能性によってモデルによって捕捉された追加情報を抽出できる。

機械やアルゴリズムが日常生活のいたるところに存在するようになると、社会的受容性を高めるために説明可能性も必要になります。結局のところ、科学者でさえ「ブラックボックス」を完全に理解できないのであれば、一般の人々はモデルによる決定を完全に信頼できるのでしょうか?

この本は機械学習の解釈可能性に焦点を当てています。この本では、線形回帰、決定木、決定ルールなどのシンプルで解釈可能なモデルを学ぶことができます。

次の章では、特徴の重要性や累積的なローカル効果などのブラックボックスモデルを解釈するための一般的なモデルに依存しない方法と、Shapley 値と LIME を使用した単一インスタンス予測の解釈に焦点を当てます。

さまざまな解釈アプローチが詳細に説明され、批判的に議論されます。どのように機能するのでしょうか?メリットとデメリットは何ですか?出力をどのように解釈すればよいでしょうか?この本では、機械学習プロジェクトに最適な解釈方法を選択して正しく適用できるようになります。

この本では、さまざまな実例を組み合わせて関連する概念を紹介し、読者がさらに学習できるように参考リンクも提供しています。

さらに、Zhu 氏は Goodfellow 氏の「機械学習」を自身の GitHub で翻訳しており、参考として自身の Python コードも翻訳に含めています。興味のある学生も参考にして学ぶことができます。

最後に、「Interpretable Machine Learning」という本のプロジェクトアドレスは次のとおりです: https://github.com/MingchaoZhu/InterpretableMLBook