对于深度学习模型，常常很难解释其工作方式，即使是创建这些模型的数据科学家也不例外。提高机器学习模型的透明度和可解释性可以优选限度地减少错误，减少意想不到的偏见，增加用户对结果的信任。本书讲述了探索“黑盒”模型内部机制的技术，提供了设计可靠算法的方法，并揭示了导致结果偏差的各种关键因素。
本书将教会你识别模型所学习到的模式，并解释为何会产生这样的结果。通过阅读本书，你将掌握一些用于解释白盒模型（如线性回归和广义可加模型）的方法，以及一些用于解释复杂深度学习模型的方法。可解释A!是一个快速发展的领域，本书将该领域的前沿研究简化为你可以在Python中实现的实际方法。

第I部分 可解释基础知识
第1章 导论3
1.1 Diagnostics+AI——AI系统示例3
1.2 机器学习系统的类型4
1.2.1 数据的表示4
1.2.2 监督学习6
1.2.3 无监督学习7
1.2.4 强化学习7
1.2.5 最适合Diagnostics+AI的机器学习系统8
1.3 构建Diagnostics+AI8
1.4 Diagnostics+的主要问题10
1.4.1 数据泄露10
1.4.2 偏见10
1.4.3 监管不合规11
1.4.4 概念漂移11
1.5 如何解决这些主要问题11
……