به گزارش سرویس فناوری اطلاعات «خبرنامه دانشجویان ایران»؛  به‌طوری که در برخی موارد پژوهشگران و خالقان الگوریتم‌ها نمی‌توانند برای یکسری تصمیمات اخذ شده از سوی الگوریتم‌ها توضیح قانع‌کننده‌ای ارائه کنند.

کتاب: یادگیری ماشین و انسان: اعتماد، شفافیت، قابل مشاهده و قابل شرح
(Human and Machine Learning: Visible, Explainable, Trustworthy and Transparent)

ناشر: اسپرینگر
نویسندگان: جیانگلونگ ژو- فنگ چن  (Jianlong Zhou · Fang Chen)
سال انتشار: 2018
شابک: 13: 9783319904023
تعداد صفحات: 482 صفحه

دانلود

شرح مختصری از کتاب
هرچه به سمت آینده حرکت می‌کنیم، اتوماسیون یا همان خودکارسازی روز‌به‌روز پرشتاب‌تر به زندگی شخصی و کاری ما وارد می‌شود. خودکارسازی نه تنها بهره‌وری کارخانه‌ها را افزایش می‌دهد، بلکه به افراد اجازه می‌دهد دیگر مجبور نباشند یکسری کارهای تکراری را روزانه انجام دهند. اما برای آن‌که ابزارها و به ویژه روبات‌ها بتوانند به درستی از عهده چنین وظایفی برآیند به برنامه‌نویسی دقیق و درستی نیاز دارند. پیشرفت‌های انجام شده در حوزه الگوریتم‌های یادگیری ماشین در طول این سال‌ها تحسین‌برانگیز بوده‌اند. این پیشرفت‌ها باعث شده‌ تا الگوریتم‌ها بتوانند حجم سنگینی از داده‌ها را پردازش کرده و تصمیماتی را بر مبنای آن‌ها اتخاذ کنند. با وجود این، هنوز هم در برخی از زمینه‌ها یادگیری ماشین آن‌گونه که باید قادر نیست به شکل شفاف و قابل قبولی راه‌حل‌های نهایی را ارائه کند، به‌طوری که در برخی موارد پژوهشگران و خالقان الگوریتم‌ها نمی‌توانند برای یکسری تصمیمات اخذ شده از سوی الگوریتم‌ها توضیح قانع‌کننده‌ای ارائه کنند. این کتاب سعی کرده مباحث مربوط به شفافیت در یادگیری ماشینی، فرآیندهای یادگیری ماشینی، الگوریتم‌های مورد استفاده در مدل‌سازی و... را مورد بررسی قرار دهد. در مجموع باید بگوییم کتاب یاد شده، اولین کتابی است که به‌طور سیستماتیک سعی کرده میزان تاثیرگذاری تصمیمات ماشینی و نحوه تعامل انسان‌ها با تصمیماتی را که از سوی ماشین‌ها اتخاذ می‌شود، مورد بررسی قرار دهد. این کتاب نه فقط الهام‌بخش پژوهشگران برای خلق الگوریتم‌های جدید است، بلکه الهام‌بخش افرادی است که در نظر دارند الگوریتم‌های یادگیری ماشینی را که نقطه ثقل آن‌ها انسان‌ها است پیاده‌سازی کنند. از جمله مباحثی که در این کتاب به آن‌ها پرداخته شده به مواردی همچون شفافیت در یادگیری ماشینی، بررسی سیستم‌های توصیفی، توان‌مند‌سازی کاربران نهایی در ارائه آموزش‌های شفاف به ماشین، پیاده‌سازی موثر الگوریتم‌های شناختی، ارتباطات شفاف، چالش‌های بحرانی در ارتباط با شبکه‌های عمیق عصبی، به‌کارگیری الگوریتم‌های یادگیری ماشینی تعاملی در ارتباط با صنایعی همچون علوم غذایی و.... اشاره کرد.

منبع: شبکه