可解释机器学习：黑盒模型可解释性理解指南（第2版）

作者简介

郭涛，主要从事人工智能、智能计算、概率与统计学、现代软件工程等前沿交叉研究。出版多部译作，包括《深度强化学习图解》《机器学习图解》《集成学习实战》。

内容简介

大语言模型（LLMs）在自然语言处理（NLP）和其他领域展现出了显著的能力，但其可解释性问题仍然是一个挑战。研究机器学习的可解释性对于推动大模型技术发展有以下帮助：第一，提高模型的透明度和信任度；第二，促进算法的改进和创新；第三，降低模型出错的风险；第四，支持监管和合规；第五，促进跨学科合作。本书作为较为早期的一部研究可解释机器学习的作品，为业界探索可解释方法提供了一定的帮助，第二版在原书基础上做了大幅更新和修改，相信读者阅读后会有新的启发。