●第1章 前景 1
1.1 AI可解釋性示例 2
1.1.1 學習階段 3
1.1.2 知識發現 4
1.1.3 可靠性和魯棒性 5
1.1.4 三個示例的啟示 5
1.2 ML和XAI 6
1.2.1 ML分類法 8
1.2.2 常見誤解 11
1.3 對AI可解釋性的需求 12
1.4 可解釋性與可理解性：是否為表達相同事物的不同詞語 14
1.4.1 從物質世界到人類 15
1.4.2 相關性不是因果性 16
1.4.3 那麼可理解性和可解釋性的區別是什麼 19
1.5 使ML繫統具備可解釋性 21
1.5.1 XAI工作流程 21
1.5.2 全局視覺 24
1.6 我們真的需要ML模型的可解釋性嗎 26
1.7 小結 28
參考文獻 29

第2章 AI可解釋性：需求、機遇和挑戰 31
……

本書全面介紹了AI可解釋性的概念和可用技術，使機器學習繫統更易於解釋。書中提出的方法可以應用於幾乎所有現有的機器學習模型：線性和邏輯回歸、深度學經網絡、自然語言處理和圖像識別等等。隨著機器學習的發展，如今人們越來越多地使用人工智能體來執行以前由人類處理的關鍵任務(醫療、法律和金融等等)。雖然智能體的設計原則已被理解，但目前的大多數深度學習模型對人類理解而言是“不透明的”。《AI可解釋性(Python語言版)》從理論和實踐的角度填補了這個新興主題文獻方面的空白，使讀者能夠快速地使用可解釋性AI的工具和代碼。