本书全面介绍了AI可解释性的概念和可用技术，使机器学习系统更易于解释。书中提出的方法可以应用于几乎所有现有的机器学习模型：线性和逻辑回归、深度学习神经网络、自然语言处理和图像识别等等。
随着机器学习的发展，如今人们越来越多地使用人工智能体来执行以前由人类处理的关键任务（医疗、法律和金融等等）。虽然智能体的设计原则已被理解，但目前的大多数深度学习模型对人类理解而言是“不透明的”。《AI可解释性（Python语言版）》从理论和实践的角度填补了这个新兴主题文献方面的空白，使读者能够快速地使用可解释性AI的工具和代码。

郭涛，Turing Lab发起人，主要从事模式识别与人工智能、智能机器人技术、软件工程技术和地理人工智能（GeoAI）、时空大数据挖掘与分析等前沿交叉领域研究。曾翻译过《复杂性思考：复杂性科学和计算模型（第2版）》《神经网络设计与实现》等多本图书。

第1章 前景
1.1 AI可解释性示例
1.1.1 学习阶段
1.1.2 知识发现
1.1.3 可靠性和鲁棒性
1.1.4 三个示例的启示
1.2 ML和XAI
1.2.1 ML分类法
1.2.2 常见误解
1.3 对AI可解释性的需求
1.4 可解释性与可理解性：是否为表达相同事物的不同词语
1.4.1 从物质世界到人类
1.4.2 相关性不是因果性
1.4.3 那么可理解性和可解释性的区别是什么
1.5 使ML系统具备可解释性
1.5.1 XAI工作流程
1.5.2 全局视觉
1.6 我们真的需要ML模型的可解释性吗
1.7 小结
参考文献
第2章 AI可解释性：需求、机遇和挑战
2.1 人工介入
2.1.1 半人马座XAI系统
2.1.2 从“人工介入”的角度评估XAI
2.2 如何使ML模型具备可解释性
2.2.1 内在可解释性
2.2.2 事后可解释性
2.2.3 全局或局部可解释性
2.3 解释的性质
2.4 小结
参考文献
第3章 内在可解释性模型
3.1 损失函数
3.2 线性回归
3.3 逻辑回归
3.4 决策树
3.5 K最近邻算法（KNN)
3.6 小结
参考文献
第4章 XAI的模型不可知方法
4.1 全局可解释性：排序重要性与部分依赖图
4.1.1 根据排序重要性将特征排序
4.1.2 训练集中的排序重要性
4.1.3 部分依赖图
4.1.4 解释的性质
4.2 局部可解释性：XAI与Shapley加法解释
4.2.1 Shapley值：一种博弈论方法
4.2.2 SHAP的首次应用
4.2.3 解释的性质
4.3 KernelSHAP
4.3.1 Shapley公式
4.3.2 如何计算Shapley值
4.3.3 局部线性代理模型（LIME）
4.3.4 KermelSHAP是一种特殊的LIME
4.4 KernelSHAP与交互
4.4.1 纽约出租车情境
4.4.2 通过初步分析训练模型
4.4.3 用KernelShap使模型具备可解释性
4.4.4 特征交互
4.5 提升树的更快速SHAP
4.5.1 TreeShap的应用
4.5.2 提供解释
4.6 对SHAP的朴素评价
4.7 小结
参考文献
第5章 解释深度学习模型
5.1 不可知方法
5.1.1 对抗性特征
5.1.2 增强方法
5.1.3 将遮挡用作增强方法
5.1.4 将遮挡用作不可知XAI方法
5.2 神经网络（NN）
5.2.1 神经网络结构
5.2.2 为什么神经网络是深层网络（与浅层网络相对）
5.2.3 修正激活（和批量归一化）
5.2.4 显著图
5.3 打开深度网络
5.3.1 不同层解释
5.3.2 CAM(类激活图,Class Activation Maps)和Grad-CAM
5.3.3 DeepShap/DeepLift
5.4 对显著性方法的评判
5.4.1 网络所见
5.4.2 可解释性逐层批量标准化
5.5 无监督方法
5.5.1 无监督降维
5.5.2 卷积滤波器降维
5.5.3 激活图集：如何区分炒锅与煎锅
5.6 小结
参考文献
第6章 用ML和XAI创造科学
6.1 数据时代的科学方法
6.2 因果关系阶梯
6.3 用ML和XAI发现物理概念
6.3.1 自动编码器的魔力
6.3.2 利用ML和XAI发现阻尼摆的物理特性
6.3.3 攀登因果关系阶梯
6.4 ML和XAI时代的科学
6.5 小结
参考文献
第7章 对抗性机器学习和可解释性
7.1 对抗性示例（AE）速成课程
7.2 使用对抗性示例运行XAI
7.3 用XAI抵御对抗性攻击
7.4 小结
参考文献
第8章 关于XAI可持续模型的建议
8.1 XAI “Fil Rouge
8.2 XAI和GDPR
8.3 结语
8.4 小结
参考文献
附录 F.A.S.T.XAI认证