MARC details
| 000 -CABECERA |
|---|
| campo de control de longitud fija |
06604nam a22004095i 4500 |
| 001 - NÚMERO DE CONTROL |
|---|
| campo de control |
361481 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| campo de control |
ES-MaUEC |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20240111050213.0 |
| 006 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA--CARACTERÍSTICAS DEL MATERIAL ADICIONAL |
|---|
| campo de control de longitud fija |
a||||fo|||| 00| 0 |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
cr nn nnnaamaa |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
210428s2021 sz | s |||| 0|eng d |
| 020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO |
|---|
| Número Internacional Estándar del Libro |
9783030686406 |
| 024 7# - IDENTIFICADOR DE OTROS ESTÁNDARES |
|---|
| Número estándar o código |
10.1007/978-3-030-68640-6 |
| Fuente del número o código |
doi |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro catalogador/agencia de origen |
ES-MaUEC |
| Lengua de catalogación |
spa |
| Centro/agencia transcriptor |
ES-MaUEC |
| Centro/agencia modificador |
ES-MaUEC |
| 050 #4 - SIGNATURA TOPOGRÁFICA DE LA BIBLIOTECA DEL CONGRESO |
|---|
| Número de clasificación |
Q325.5 |
| Número de documento/Ítem |
2021 EB |
| 100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Gianfagna, Leonida |
| Término indicativo de función/relación |
autor |
| 9 (RLIN) |
681550 |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Explainable AI with Python |
| Mención de responsabilidad, etc. |
by Leonida Gianfagna, Antonio Di Cecco |
| 250 ## - MENCIÓN DE EDICIÓN |
|---|
| Mención de edición |
First edition 2021 |
| 264 #1 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Producción, publicación, distribución, fabricación y copyright |
Cham |
| Nombre del de productor, editor, distribuidor, fabricante |
Springer International Publising |
| Fecha de producción, publicación, distribución, fabricación o copyright |
2021 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
1 recurso en línea (VIII, 202 páginas) |
| Otras características físicas |
119 ilustraciones, 103 ilustraciones a color |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Fuente |
rdacontent |
| Término de tipo de contenido |
Texto |
| Código de tipo de contenido |
txt |
| 337 ## - TIPO DE MEDIO |
|---|
| Fuente |
rdamedia |
| Nombre/término del tipo de medio |
electrónico |
| Código del tipo de medio |
c |
| 338 ## - TIPO DE SOPORTE |
|---|
| Fuente |
rdacarrier |
| Nombre/término del tipo de soporte |
recurso electrónico |
| Código del tipo de soporte |
cr |
| 347 ## - CARACTERÍSTICAS DEL ARCHIVO DIGITAL |
|---|
| Tipo de archivo |
archivo de texto |
| Formato de codificación |
PDF |
| 490 0# - MENCIÓN DE SERIE |
|---|
| Mención de serie |
Computer Science (SpringerNature-11645) |
| 490 0# - MENCIÓN DE SERIE |
|---|
| Mención de serie |
Computer Science (R0) (SpringerNature-43710) |
| 505 0# - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
1 -- The Landscape -- 1.1 Examples of what Explainable AI is -- 1.1.1 Learning Phase -- 1.1.2 Knowledge Discovery -- 1.1.3 Reliability and Robustness -- 1.1.4 What have we learnt from the 3 examples -- 1.2 Machine Learning and XAI -- 1.2.1 Machine Learning tassonomy -- 1.2.2 Common Myths -- 1.3 The need for Explainable AI -- 1.4 Explainability and Interpretability: different words to say the same thing or not? -- 1.4.1 From World to Humans -- 1.4.2 Correlation is not causation -- 1.4.3 So what is the difference between interpretability and explainability? -- 1.5 Making Machine Learning systems explainable -- 1.5.1 The XAI flow -- 1.5.2 The big picture -- 1.6 Do we really need to make Machine Learning Models explainable? -- 1.7 Summary -- 1.8 References -- 2. Explainable AI: needs, opportunities and challenges -- 2.1 Human in the loop -- 2.1.1 Centaur XAI systems -- 2.1.2 XAI evaluation from "Human in The Loop perspective" -- 2.2 How to make Machine Learning models explainable -- 2.2.1 Intrinsic Explanations -- 2.2.2 Post-Hoc Explanations -- 2.2.3 Global or Local Explainability -- 2.3 Properties of Explanations -- 2.4 Summary -- 2.5 References -- 3 Intrinsic Explainable Models -- 3.1.Loss Function -- 3.2.Linear Regression -- 3.3.Logistic Regression -- 3.4.Decision Trees -- 3.5.K-Nearest Neighbors (KNN) -- 3.6.Summary -- 3.7 References -- 4. Model-agnostic methods for XAI -- 4.1 Global Explanations: permutation Importance and Partial Dependence Plot -- 4.1.1 Ranking features by Permutation Importance -- 4.1.2 Permutation Importance on the train set -- 4.1.3 Partial Dependence Plot -- 4.1.4 Properties of Explanations -- 4.2 Local Explanations: XAI with Shapley Additive explanations -- 4.2.1 Shapley Values: a game-theoretical approach -- 4.2.2 The first use of SHAP -- 4.2.3 Properties of Explanations -- 4.3 The road to KernelSHAP -- 4.3.1 The Shapley formula -- 4.3.2 How to calculate Shapley values -- 4.3.3 Local Linear Surrogate Models (LIME) -- 4.3.4 KernelSHAP is a unique form of LIME -- 4.4 Kernel SHAP and interactions -- 4.4.1 The NewYork Cab scenario -- 4.4.2 Train the Model with preliminary analysis -- 4.4.3 Making the model explainable with KernelShap -- 4.4.4 Interactions of features -- 4.5 A faster SHAP for boosted trees -- 4.5.1 Using TreeShap -- 4.5.2 Providing explanations -- 4.6 A naïve criticism to SHAP -- 4.7 Summary -- 4.8 References -- 5. Explaining Deep Learning Models -- 5.1 Agnostic Approach -- 5.1.1 Adversarial Features -- 5.1.2 Augmentations -- 5.1.3 Occlusions as augmentations -- 5.1.4 Occlusions as an Agnostic XAI Method -- 5.2 Neural Networks -- 5.2.1 The neural network structure -- 5.2.2 Why the neural network is Deep? (vs shallow) -- 5.2.3 Rectified activations (and Batch Normalization) -- 5.2.4 Saliency Maps -- 5.3 Opening Deep Networks -- 5.3.1 Different layer explanation -- 5.3.2 CAM (Class Activation Maps) and Grad-CAM -- 5.3.3 DeepShap / DeepLift -- 5.4 A critic of Saliency Methods -- 5.4.1 What the network sees -- 5.4.2 Explainability batch normalizing layer by layer -- 5.5 Unsupervised Methods -- 5.5.1 Unsupervised Dimensional Reduction -- 5.5.2 Dimensional reduction of convolutional filters -- 5.5.3 Activation Atlases: How to tell a wok from a pan -- 5.6 Summary -- 5.7 References -- 6.Making science with Machine Learning and XAI -- 6.1 Scientific method in the age of data -- 6.2 Ladder of Causation -- 6.3 Discovering physics concepts with ML and XAI -- 6.3.1 The magic of autoencoders -- 6.3.2 Discover the physics of damped pendulum with ML and XAI -- 6.3.3 Climbing the ladder of causation -- 6.4 Science in the age of ML and XAI -- 6.5 Summary -- 6.6 References -- 7. Adversarial Machine Learning and Explainability -- 7.1 Adversarial Examples (AE) crash course -- 7.1.2 Hands-on Adversarial Examples -- 7.2 Doing XAI with Adversarial Examples -- 7.3 Defending against Adversarial Attacks with XAI -- 7.4 Summary -- 7.5 References -- 8. A proposal for a sustainable model of Explainable AI -- 8.1 The XAI "fil rouge" -- 8.2 XAI and GDPR -- 8.2.1 FAST XAI -- 8.3 Conclusions -- 8.4 Summary -- 8.5 References -- Index. |
| 520 3# - SUMARIO, ETC. |
|---|
| Sumario, etc. |
This book provides a full presentation of the current concepts and available techniques to make "machine learning" systems more explainable. The approaches presented can be applied to almost all the current "machine learning" models: linear and logistic regression, deep learning neural networks, natural language processing and image recognition, among the others. Progress in Machine Learning is increasing the use of artificial agents to perform critical tasks previously handled by humans (healthcare, legal and finance, among others). While the principles that guide the design of these agents are understood, most of the current deep-learning models are "opaque" to human understanding. Explainable AI with Python fills the current gap in literature on this emerging topic by taking both a theoretical and a practical perspective, making the reader quickly capable of working with tools and code for Explainable AI. |
| 988 ## - NOTA LOCAL 598 |
|---|
| Nota local 598 (boletines) |
Springer_Computer_2021 |
| 650 #7 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Fuente del encabezamiento o término |
embne |
| 9 (RLIN) |
166090 |
| Término de materia o nombre geográfico como elemento de entrada |
Aprendizaje automático |
| 650 #7 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Fuente del encabezamiento o término |
embne |
| Término de materia o nombre geográfico como elemento de entrada |
Inteligencia artificial |
| 9 (RLIN) |
413115 |
| 650 #7 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Fuente del encabezamiento o término |
embne |
| 9 (RLIN) |
161036 |
| Término de materia o nombre geográfico como elemento de entrada |
Python (Lenguaje de programación) |
| 700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Di Cecco, Antonio |
| Término indicativo de función/relación |
autor |
| 9 (RLIN) |
681552 |
| 856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme del Recurso |
https://go.openathens.net/redirector/universidadeuropea.es?url=https://doi.org/10.1007/978-3-030-68640-6 |
| Nota pública |
Acceso a este recurso digital (usuarios Universidad Europea de Madrid) |
| 999 ## - NÚMEROS DE CONTROL DE SISTEMA (KOHA) |
|---|
| -- |
1 |
| 942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA) |
|---|
| Fuente del sistema de clasificación o colocación |
Library of Congress Classification |
| Tipo de ítem Koha |
LIBRO-E NO PRÉSTAMO |
| 998 ## - DATOS ESTADÍSTICOS |
|---|
| Fecha de catalogación |
02/2022 |
| Tipo de materia |
E-book |
| Catalogador |
Sara Morillo |
| Catalogado |
Sí |