파이썬을 활용한 머신러닝 해석 가능성 - 예측의 공정성 책임성 투명성을 수립하는 다양한 방법 학습하기

설명 가능한 인공지능 또는 해석 가능한 머신러닝 모델을 구축하는 다양한 방법론을 소개한다. 최근 이슈가 되고 있는 인공지능 모델의 윤리적 문제를 다루면서도 동시에 높은 성능과 견고성을 유지할 수 있는 비결을 소개한다. 먼저 해석 가능성이란 무엇인지 설명하고 머신러닝 모델의 윤리적 측면인 공정성, 책임성, 투명성이 필요한 이유 그리고 이를 달성할 방법을 설명한다. 그 다음 다양한 상황과 다양한 데이터 형태를 갖는 각 유스 케이스에서 머신러닝 해석방법론을 적용하는 과정을 실제적으로 다루고 있다. 마지막으로 모델의 복잡성을 줄이고, 편향을 완화시키고, 안정성과 견고성을 향상시키기 위해 모델을 튜닝하는 방법을 학습할 수 있다.

1부. 머신러닝 해석 소개 __1장. 해석, 해석 가능성, 설명 가능성: 왜 이 모두가 중요한가? ______기술 요구 사항 ______머신러닝 해석이란? ____단순 몸무게 예측 모델의 이해 ______해석 가능성과 설명 가능성의 차이점 이해 ____해석 가능성이란 ____설명 가능성이란 ______해석 가능성에 대한 비즈니스 사례 ____더 나은 의사결정 ____더 신뢰받는 브랜드 ____더 윤리적인 ____더 많은 수익 ______정리 ______이미지 소스 ______더 읽을거리 __2장. 해석 가능성의 주요 개념 ______기술 요구 사항 ______미션 ____CVD에 대한 상세정보 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______해석 방법론의 종류와 범위 ____모델 해석 가능성 방법론의 종류 ____모델 해석 가능성의 범위 ____로지스틱 회귀로 개별 예측 해석 ______머신러닝 해석 가능성을 저해하는 요인 ____비선형성 ____상호작용성 ____비단조성 ______미션 완료 ______정리 ______더 읽을거리 __3장. 머신러닝 해석의 과제 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터의 이해 및 준비 ______전통적인 모델 해석 방법론 ____다양한 회귀 방법론으로 지연된 시간 예측 ____다양한 분류 방법론으로 항공편 지연 여부 분류 ____차원 축소 방법으로 지연된 항공편 시각화 ______전통적인 모델 해석 방법론의 한계 ______본질적으로 해석 가능한 화이트박스 모델 ____일반화 선형 모델(GLM) ____의사결정 트리 ____RuleFit ____최근접 이웃 ____나이브 베이즈 ______성능과 해석 가능성 사이의 균형 ____특수한 모델 속성 ____성능 평가 ______최신의 해석 가능한 글래스박스 모델 ____설명 가능한 부스팅 머신(EBM) ____Skoped Rules ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 2부. 해석 방법론 마스터하기 __4장. 피처 중요도와 피처 영향력 ______기술 요구 사항 ______미션 ____성격과 출생 순서 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______결과에 대한 피처의 영향력 측정 ____트리 기반 모델의 피처 중요도 ____로지스틱 회귀의 피처 중요도 ____LDA의 피처 중요도 ____다층 퍼셉트론의 피처 중요도 ______PFI 실습 ____PFI의 단점 ______PDP 해석 ____상호작용 PDP ____PDP의 단점 ______ICE 플롯 ____ICE의 단점 ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 __5장. 글로벌 모델 독립적 해석 방법론 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ____데이터 딕셔너리 ______섀플리 값 소개 ______SHAP 요약 플롯 및 의존도 플롯 해석 ____SHAP 요약 플롯 생성 ____상호작용 이해하기 ____SHAP 의존도 플롯 ____SHAP 영향력 플롯 ______누적 지역 효과 플롯 ______글로벌 대체 모델 ______미션 완료 ______정리 ______더 읽을거리 __6장. 로컬 모델 독립적 해석 방법론 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______SHAP의 KernelExplainer 활용해 SHAP 값으로 로컬 해석 ______LIME ______NLP에 LIME 사용하기 ______NLP에 SHAP 사용하기 ______SHAP과 LIME 비교 ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 __7장. 앵커와 반사실적 설명 ______기술 요구 사항 ______미션 ____재범 위험 평가의 부당한 편향 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______앵커 설명에 대한 이해 ____alibi를 이용해 앵커 및 반사실적 설명 준비하기 ____앵커 설명을 위한 로컬 해석 ______반사실적 설명 탐색 ____프로토타입을 통한 반사실적 설명 ____What-If 도구(WIT)를 사용한 반사실적 설명 ______CEM과의 비교 ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 __8장. 컨볼루션 신경망 시각화 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ____전통적인 해석 방법론으로 CNN 분류기 평가 ______활성화 기반 방법론으로 학습 과정을 시각화 ____중간 활성화 ____활성화 극대화 ______그래디언트 기반 귀인 방법론으로 오분류 검증 ____돌출 맵 ____Grad-CAM ____통합 그래디언트 ____종합 ______섭동 기반 귀인 방법론으로 분류 이해 ____폐쇄 민감도 ____LIME의 ImageExplainer ____CEM ____종합 ____보너스: SHAP의 DeepExplainer ______미션 완료 ______정리 ______데이터셋 및 이미지 소스 ______더 읽을거리 __9장. 다변량 예측 및 민감도 분석을 위한 해석 방법론 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______전통적인 해석 방법론으로 시계열 모델 평가 ______통합 그래디언트로 LSTM 속성 생성 ______SHAP의 KernelExplainer로 글로벌 및 로컬 속성 계산 ______인자 우선순위화로 영향력 있는 피처 식별 ______인자 고정으로 불확실성 및 비용 민감도 정량화 ______미션 완료 ______정리 ______데이터셋 및 이미지 소스 ______더 읽을거리 3부. 해석 가능성을 위한 튜닝 __10장. 해석 가능성을 위한 피처 선택과 피처 엔지니어링 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______상관성 없는 피처의 효과 이해 ______필터링 기반 피처 선택 방법론 ____기본 필터링 기반 방법론 ____상관관계 필터링 기반 방법론 ____순위 필터링 기반 방법론 ____필터링 기반 방법론 비교 ______임베디드 피처 선택 방법론 ______래퍼, 하이브리드, 고급 피처 선택 방법론 ____래퍼 방법론 ____하이브리드 방법 ____고급 피처 선택 방법론 ____모든 피처 선택 모델 평가 ______피처 엔지니어링 고려 ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 __11장. 편향 완화 및 인과관계 추론 방법론 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______편향 감지 ____데이터셋 편향 시각화 ____데이터셋 편향 정량화 ____모델 편향 정량화 ______편향 완화 ____전처리 편향 완화 방법론 ____프로세스 내 편향 완화 방법론 ____후처리 편향 완화 방법론 ____편향 완화 방법론 비교 ______인과 모델 생성 ____실험 결과 이해 ____인과 모델에 대한 이해 ____선형 DRL 초기화 ____인과 모델 적합 ______이질적 처치 효과 ____정책 선택 ______추정치 견고성 테스트 ____무작위 공통 원인 추가 ____무작위 변수로 처치 대체 ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 __12장. 해석 가능성을 위한 단조성 제약조건과 모델 튜닝 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ______피처 엔지니어링으로 가드레일 배치 ____서수화 ____이산화 ____상호작용 항과 비선형 변환 ____범주화 인코딩 ____다른 준비 작업 ______해석 가능성을 위한 모델 튜닝 ____케라스 신경망 튜닝 ____인기 있는 다른 모델 클래스 튜닝 ____베이지안 하이퍼파라미터 튜닝 및 사용자 정의 메트릭으로 공정성 최적화 ______모델 제약조건 구현 ____XGBoost에 대한 제약조건 ______미션 완료 ______정리 ______데이터셋 소스 ______더 읽을거리 __13장. 적대적 견고성 ______기술 요구 사항 ______미션 ______접근법 ______준비 ____라이브러리 로드 ____데이터 이해 및 준비 ____CNN 기본 모델 로드 ____CNN 기본 분류기 평가 ______우회 공격 ______전처리를 통한 표적 공격 방어 ______적대적 학습을 통해 우회 공격으로부터 보호 ______적대적 견고성 평가 및 인증 ____모델 견고성과 공격 강도 비교 ____무작위 평활화로 견고성 인증 ______미션 완료 ______정리 ______데이터 소스 ______더 읽을거리 __14장. 머신러닝 해석 가능성 그다음 단계는? ______ML 해석 가능성의 현재 상황 이해 ____전체 요약 ____최신 트렌드 ____ML 해석 가능성의 미래에 대한 추측 ____ML의 새로운 비전 ____종합적인 접근 ____적절한 표준화 ____규제 시행 ____내장된 해석으로 인한 매끄러운 머신러닝 자동화 ____MLOps 엔지니어와의 긴밀한 통합 ______더 읽을거리