كتاب الذكاء الاصطناعي القابل للتفسير العملي باستخدام Python - تأليف Pradeepta Mishra (غلاف ورقي)

ملخص الكتاب: تعرّف على كافة تفاصيل القرارات والتحيزات ومدى موثوقية خوارزميات الذكاء الاصطناعي، وكيفية فهم هذه التوقعات. يستكشف هذا الكتاب ما يُعرف بنماذج الصندوق الأسود لتعزيز القدرة على التكيف والتفسير والوضوح للقرارات التي تتخذها خوارزميات الذكاء الاصطناعي باستخدام أطر عمل مثل مكتبات Python XAI، و TensorFlow 2.0+، و Keras، وأطر عمل مخصصة باستخدام Python wrappers. ستبدأ بمقدمة حول أساسيات قابلية تفسير النماذج ووضوحها، والاعتبارات الأخلاقية، والتحيزات في التوقعات التي تولدها نماذج الذكاء الاصطناعي. بعد ذلك، ستطلع على الأساليب والأنظمة المستخدمة لتفسير النماذج الخطية وغير الخطية والنماذج ذات السلاسل الزمنية المستخدمة في الذكاء الاصطناعي. كما سيغطي الكتاب مواضيع تتراوح من التفسير إلى فهم كيفية اتخاذ خوارزمية الذكاء الاصطناعي للقرار. علاوة على ذلك، ستتعلم كيفية التعامل مع أكثر نماذج التجميع تعقيداً، ومفاهيم القابلية للتفسير والوضوح باستخدام أطر عمل مثل Lime و SHAP و Skater و ELI5 وغيرها. وبالانتقال إلى الخطوات التالية، سيتم تعريفك بمفاهيم قابلية تفسير النماذج للبيانات غير المهيكلة، ومشكلات التصنيف، والمهام المتعلقة بمعالجة اللغات الطبيعية. بالإضافة إلى ذلك، يتناول الكتاب التفسيرات الواقعية المضادة لنماذج الذكاء الاصطناعي. ويسلط كتاب Practical Explainable AI Using Python الضوء على نماذج التعلم العميق، والأنظمة الخبيرة القائمة على القواعد، ومهام الرؤية الحاسوبية باستخدام أطر عمل XAI المتنوعة. ما ستتعلمه: مراجعة الطرق المختلفة لجعل نماذج الذكاء الاصطناعي قابلة للتفسير والوضوح، وفحص التحيز والممارسات الأخلاقية الجيدة لنماذج الذكاء الاصطناعي، وقياس وتصور وتقدير موثوقية نماذج الذكاء الاصطناعي، وتصميم أطر عمل لفك غموض النماذج الصندوقية السوداء، وتقييم عدالة نماذج الذكاء الاصطناعي، وفهم ركائز الثقة في نماذج الذكاء الاصطناعي، وزيادة مستوى اعتماد الذكاء الاصطناعي. لمن هذا الكتاب: مهندسو الذكاء الاصطناعي، وعلماء البيانات، ومطورو البرمجيات المشاركون في قيادة مشاريع أو منتجات الذكاء الاصطناعي. تعرف من خلال الغلاف الخلفي على كافة تفاصيل القرارات والتحيزات ومدى موثوقية خوارزميات الذكاء الاصطناعي، وكيفية فهم هذه التوقعات. يستعرض هذا الكتاب ما يُعرف بنماذج الصندوق الأسود لتعزيز القدرة على التكيف والتفسير والوضوح للقرارات التي تتخذها خوارزميات الذكاء الاصطناعي باستخدام أطر عمل مثل مكتبات Python XAI، و TensorFlow 2.0+، و Keras، وأطر عمل مخصصة باستخدام Python wrappers. ستكتشف في البداية مقدمة حول أساسيات قابلية تفسير النماذج ووضوحها، والاعتبارات الأخلاقية، والتحيزات في التوقعات التي تولدها نماذج الذكاء الاصطناعي. بعد ذلك، ستطلع على الأساليب والأنظمة المستخدمة لتفسير النماذج الخطية وغير الخطية ونماذج السلاسل الزمنية المستخدمة في الذكاء الاصطناعي. كما سيغطي الكتاب مواضيع تتراوح من التفسير إلى فهم كيفية اتخاذ خوارزمية الذكاء الاصطناعي للقرار. علاوة على ذلك، ستتعلم كيفية التعامل مع أكثر نماذج التجميع تعقيداً، ومفاهيم القابلية للتفسير والوضوح باستخدام أطر عمل مثل Lime و SHAP و Skater و ELI5 وغيرها. وبالانتقال إلى الخطوات التالية، سيتم تعريفك بقابلية تفسير النماذج للبيانات غير المهيكلة والمهام المتعلقة بمعالجة اللغات الطبيعية. بالإضافة إلى ذلك، يتناول الكتاب التفسيرات الواقعية المضادة لنماذج الذكاء الاصطناعي. يسلط كتاب Practical Explainable AI Using Python الضوء على نماذج التعلم العميق، والأنظمة الخبيرة القائمة على القواعد، ومهام الرؤية الحاسوبية باستخدام أطر عمل XAI المتنوعة. ستتمكن من: مراجعة الطرق المختلفة لجعل نماذج الذكاء الاصطناعي قابلة للتفسير والوضوح، وفحص التحيز والممارسات الأخلاقية الجيدة لنماذج الذكاء الاصطناعي، وقياس وتصور وتقدير موثوقية نماذج الذكاء الاصطناعي، وتصميم أطر عمل لفك غموض النماذج المعقدة (black-box)، وتقييم عدالة نماذج الذكاء الاصطناعي، وفهم الركائز الأساسية لبناء الثقة في نماذج الذكاء الاصطناعي، وزيادة مستوى اعتماد الذكاء الاصطناعي. مراجعات القراء: "يجمع كتاب Practical explainable AI using Python بين عناصر الكتب المنهجية والكتب التطبيقية، حيث يقدم شروحات للمفاهيم إلى جانب أمثلة وتمارين عملية. ..." يقدم هذا الكتاب أساساً شاملاً سيظل ذا صلة لفترة من الزمن. ومع ذلك، ينبغي للقراء تعزيز معرفتهم بأحدث الأبحاث من أجل مواكبة التطورات في هذا المجال الديناميكي." (Gulustan Dogan, Computing Reviews, 21 أغسطس 2023) "بينما يقدم الكتاب الجوانب الأساسية فقط، أجد أن هذا يمثل ميزة كبيرة. في الواقع، يمكن حتى لغير المتخصصين في مجال الذكاء الاصطناعي وتعلم الآلة AI/ML الاستفادة من هذا العمل: حيث يبدأ المؤلف بأبسط التعريفات والنماذج، ثم يقدم أمثلة برمجية ... . بهذه الطريقة، يمكن الوصول إلى قاعدة قراء واسعة جداً، حيث ستكون الأجزاء الأكثر تقدماً في الفصول مثيرة لاهتمام المتخصصين في مجال الذكاء الاصطناعي وتعلم الآلة (AI/ML) الذين يرغبون في تعزيز خبراتهم في موضوع هذا الكتاب. "(Piotr Cholda، Computing Reviews، 17 أبريل 2023) نبذة عن المؤلف: Pradeepta Mishra هو رئيس قسم الذكاء الاصطناعي (Leni) في L&T Infotech (LTI)، حيث يقود مجموعة كبيرة من علماء البيانات، وخبراء اللغويات الحاسوبية، وخبراء تعلم الآلة والتعلم العميق لبناء منتج الجيل القادم، 'Leni' أول عالم بيانات افتراضي في العالم. لقد حاز على جائزة "أفضل 40 عالماً من علماء البيانات في الهند" من قبل Analytics India Magazine. وهو مؤلف لـ 4 كتب، وقد تمت التوصية بكتابه الأول في مركز HSLS بجامعة بيتسبرغ، بنسلفانيا، الولايات المتحدة الأمريكية. وقد نُشر أحدث كتبه #PytorchRecipes بواسطة Apress. كما قدم جلسة رئيسية في مؤتمر Global Data Science عام 2018 في الولايات المتحدة الأمريكية. وقدم أيضاً محاضرة TEDx بعنوان "هل يمكن للآلات أن تفكر؟"، وهي متاحة على قناة TEDx الرسمية على YouTube. لقد قدم أكثر من 200 محاضرة تقنية حول علوم البيانات، وML، وDL، وNLP، وAI في مختلف الجامعات، واللقاءات، والمؤسسات التقنية، والمنتديات التي تنظمها المجتمعات.