|
|
| [참고서] 머신러닝 리스크 관리 with 파이썬 |
|
|
| | | ㆍ판매가 | 37,800 원 (10%, 4,200 원 할인) | | | | | | | ㆍ552 쪽 | 235*188mm | ISBN : 9791169212380 | | |
|
|
|
|  책임감 있고 지속 가능한 ML 시스템을 배포하는 방법,
AI 모범 사례와 위험 관리 프로세스 제대로 알고 활용하기
모든 기술이 그렇듯이 ML도 의도하지 않은 오용이나 의도적인 남용 때문에 실패할 수 있다. 조직과 대중이 이 흥미로운 기술의 진정한 이점을 활용하려면 그러한 위험 요인을 완화해야 한다. 이 책이 준수하려는 초기 표준이 최근 조금씩 구체화되기 시작했지만, 머신러닝 실무에서는 아직 널리 인정받는 전문 자격증이나 모범 사례가 부족하다. 따라서 머신러닝 기술이 세상에 배포될 때 해당 기술의 결과에 대한 책임을 실무자가 떠안아야 하는 실정이다.
이 책은 실무자가 AI 모델 위험관리 프로세스를 제대로 이해하고, 일반적인 파이썬 도구를 사용해 설명 가능한 모델을 학습하며 안전성, 편향 관리, 보안, 프라이버시 문제를 관리하는 새로운 방법을 제공한다. ML의 리스크를 제거하는 미묘한 접근 방식을 취함으로써, 책임감 있고 지속 가능한 방식으로 ML 시스템을 성공적으로 배포할 수 있는 귀중한 리소스를 독자들에게 제공한다.
|
 | [1부_ 인공지능 위험관리의 이론과 실제 적용 사례]1장 현대의 머신러닝 위험관리_1.1 법률 및 규제 환경 개요_1.2 권위 있는 모범사례_1.3 AI 사고 _1.4 머신러닝 위험관리를 위한 문화적 역량_1.5 머신러닝 위험관리를 위한 조직 프로세스_1.6 사례 연구: 질로우 아이바잉 사업의 흥망성쇠 _1.7 참고 자료2장 해석 및 설명 가능한 머신러닝_2.1 해석 가능성 및 설명 가능성에 관한 중요 아이디어_2.2 설명 가능한 모델_2.3 사후 설명_2.4 실무에서 사후 설명의 고질적 문제_2.5 설명 가능한 모델과 사후 설명의 결합_2.6 사례 연구: 알고리즘 채점_2.7 참고 자료3장 안전성과 성능을 높이는 머신러닝 시스템 디버깅_3.1 훈련_3.2 모델 디버깅_3.3 배포_3.4 사례 연구: 자율주행차 사망 사고_3.5 참고 자료4장 머신러닝 편향관리_4.1 ISO 및 NIST의 편향 정의_4.2 미국의 머신러닝 편향에 대한 법적 개념 _4.3 머신러닝 시스템의 편향을 경험하는 경향이 있는 사람_4.4 사람들이 경험하는 피해_4.5 편향 테스트_4.6 편향 완화_4.7 사례연구: 편향 버그 바운티_4.8 참고 자료5장 머신러닝 보안_5.1 보안 기초_5.2 머신러닝 공격_5.3 일반적인 머신러닝 보안 문제_5.4 대응책_5.5 사례 연구: 실제 우회 공격_5.6 참고 자료[2부_ 인공지능 위험관리 실행하기]6장 설명 가능한 부스팅 머신과 XGBoost 설명_6.1 개념 복습: 머신러닝 투명성_6.2 일반화가법모형 계열의 설명 가능한 모델_6.3 제약조건과 사후 설명이 있는 XGBoost_6.4 참고 자료7장 파이토치 이미지 분류기_7.1 흉부 엑스레이 분류 설명_7.2 개념 복습: 설명 가능한 모델과 사후 설명 기법_7.3 설명 가능한 모델_7.4 파이토치 이미지 분류기 훈련 및 설명 _7.5 결론_7.6 참고 자료8장 XGBoost 모델 선택 및 디버깅_8.1 개념 복습: 머신러닝 디버깅_8.2 더 좋은 XGBoost 모델 선택하기_8.3 XGBoost 민감도 분석_8.4 XGBoost 잔차 분석_8.5 선택한 모델 개선하기_8.6 결론_8.7 참고 자료9장 파이토치 이미지 분류기 디버깅_9.1 개념 복습: 딥러닝 디버깅_9.2 파이토치 이미지 분류기 디버깅하기_9.3 결론 _9.4 참고 자료10장 XGBoost를 사용한 편향 테스트 및 개선_10.1 개념 복습: 편향관리_10.2 모델 훈련 _10.3 모델의 편향 평가_10.4 편향 개선_10.5 결론_10.6 참고 자료 11장 레드 팀 XGBoost_11.1 개념 복습_11.2 모델 훈련_11.3 레드 팀 공격_11.4 결론_11.5 참고 자료[3부_ 결론]12장 고위험 머신러닝에서 성공하는 방법_12.1 프로젝트 참여 대상_12.2 과학 대 공학 _12.3 발표된 결과와 주장에 대한 평가 _12.4 외부 표준 적용하기_12.5 상식적인 위험완화_12.6 결론_12.7 참고 자료부록 찾아보기 |
|
|  | 현재 머신러닝 리스크 관리 with 파이썬에 등록된 서평이 없습니다. |  |
|
|
|
