Bölüm 2 - Giriş

Bu kitap size (denetimli) makine öğrenimi modellerini nasıl anlaşılır hale getireceğinizi açıklamaktadır. Bölümler bazı matematiksel formülleri içerse de, formüller olmadan yöntemlerin arkasındaki fikirleri anlamak mümkün olmalıdır. Bu kitap, sıfırdan makine öğrenimi öğrenmeye çalışan kişiler için değildir. Eğer makine öğrenimine yeni başlıyorsanız, temelleri öğrenmek için birçok kitap ve diğer kaynaklar mevcuttur. Makine öğrenimine başlamak için Hastie, Tibshirani ve Friedman'ın "The Elements of Statistical Learning" (2009) kitabını ve Andrew Ng'nin Coursera.com'daki "Machine Learning" çevrim içi kursunu ücretsiz olarak tavsiye ederim!

Makine öğrenimi modellerinin yorumlanması için yeni yöntemler çok hızlı bir şekilde yayınlanmaktadır. Yayınlanan her şeyle ayak uydurmak çılgınlık olur ve sadece imkansızdır. Bu nedenle bu kitapta en yeni ve gösterişli yöntemleri bulamayacaksınız, ancak makine öğrenimi yorumlanabilirliğinin temel kavramlarını ve kabul görmüş yöntemleri bulacaksınız. Bu temeller, makine öğrenimi modellerini yorumlanabilir hale getirmek için sizi hazırlayacaktır. Temel kavramları içselleştirmek, arxiv.org'da yayınlanan herhangi bir yeni yorumlanabilirlik makalesini daha iyi anlamanıza ve değerlendirmenize olanak tanır; tabii ki bu süre zarfında (yaklaşık son 5 dakikada) biraz abartı yapmış olabilirim.

Bu kitap, bazı (distopik) kısa hikayelerle başlıyor; bu hikayelere kitabı anlamak için ihtiyacınız yok, ancak umarım size keyifli ve düşündürücü gelecektir. Ardından kitap, makine öğrenimi yorumlanabilirlik kavramlarını keşfeder. Yorumlanabilirliğin neden önemli olduğunu ve mevcut farklı açıklama türlerini tartışacağız. Kitap boyunca kullanılan terimleri Terminoloji bölümünde bulabilirsiniz. Anlatılan çoğu model ve yöntem, Veri bölümünde tanımlanan gerçek veri örnekleri kullanılarak açıklanmıştır. Makine öğrenimini anlaşılır hale getirmenin bir yolu, doğrusal modeller veya karar ağaçları gibi yorumlanabilir modellerin kullanılmasıdır. Diğer seçenek ise, herhangi bir denetimli makine öğrenimi modeline uygulanabilen model bağımsız yorumlama araçlarının kullanılmasıdır. Model bağımsız yöntemler, modelin ortalama davranışını açıklayan global yöntemler ve bireysel tahminleri açıklayan lokal yöntemler olmak üzere ikiye ayrılabilir. Model Bağımsız Yöntemler bölümü, kısmi bağımlılık grafikleri ve öznitelik önemini içeren yöntemleri ele alır. Model bağımsız yöntemler, makine öğrenimi modelinin girdisini değiştirerek ve tahmin çıktısındaki değişiklikleri ölçerek çalışır. Kitap, yorumlanabilir makine öğreniminin geleceği hakkında umutlu bir bakış açısıyla sona erer.

Kitabı baştan sona kadar okuyabilir veya sizi ilgilendiren yöntemlere doğrudan bakabilirsiniz.

Umarım okurken keyif alırsınız!