Explainable and Interpretable Models in Computer Vision and Machine Learning -
-35% su kodu BOOKS
Pristatymas per 10-16 d.d.
30 dienų grąžinimo politika
This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning. Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and ... Visas aprašymas
Jums taip pat gali patikti
TOP
The Art of Electronics
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
INCOSE Systems Engineering Handbook
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
If Anyone Builds It, Everyone Dies: The Case Against Superintelligent AI
Eliezer Yudkowsky, Nate Soares
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
The Design of Everyday Things
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Open Circuits: The Inner Beauty of Electronic Components
Eric Schlaepfer, Windell Oskay
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Get started with MicroPython on Raspberry Pi Pico: The Official Raspberry Pi Pico Guide
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
We Are Not Machines: The Fight for the Future of Work
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Foundations of Flavor: The Noma Guide to Fermentation: Including Step-By-Step Information on Making and Cooking with: Koji, Kombuchas, Shoyus, Misos, Vinegars, Garums, Lacto-Ferments and black Fruits Vegetables
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Nucleo Boards Programming with the STM32CubeIDE: Hands-on in more than 50 projects
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control
Steven L. Brunton, J. Nathan Kutz
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Black Holes: The Key to Understanding the Universe
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Practical Electronics for Inventors
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Flowers For Algernon: A Modern Literary Classic
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Human Compatible: Artificial Intelligence and the Problem of Control
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
How To Read Water: Clues & Patterns from Puddles to the Sea
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Make: Electronics: Learning by Discovery: A hands-on primer for the new electronics enthusiast
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Mastering the Arduino Uno R4: Programming and Projects for the Minima and WiFi
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
The Idea Factory: Bell Labs and the Great Age of American Innovation
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Fundamentals of Aerodynamics ISE
Christopher Cadou, John D. Anderson
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
TOP
Foundation Design and Construction
-35% su kodu BOOKS
Turime sandėlyje pas mūsų tiekėją
Aprašymas
This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning.
Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision.
This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following:
· Evaluation and Generalization in Interpretable Machine Learning
· Explanation Methods in Deep Learning
· Learning Functional Causal Models with Generative Neural Networks
· Learning Interpreatable Rules for Multi-Label Classification
· Structuring Neural Networks for More Explainable Predictions
· Generating Post Hoc Rationales of Deep Visual Classification Decisions
· Ensembling Visual Explanations
· Explainable Deep Driving by Visualizing Causal Attention
· Interdisciplinary Perspective on Algorithmic Job Candidate Search
· Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions
· Inherent Explainability Pattern Theory-based Video Event Interpretations
Daugiau informacijos
| Leidėjas | Springer-Verlag GmbH |
|---|---|
| Series | The Springer Series on Challenges in Machine Learning |
| Išleidimo metai | 2018 |
| EAN | 9783319981307 |