Puede comprar la versión en papel en los sitios web:
La versión electrónica está disponible de forma gratuita:
- Flipbook: https://betaandbit.github.io/RML_ES/
- Fragmentos de código reproducibles: html
- Fragmentos reproducibles: Rmd
- Datos: covid_spring.csv
- Datos: covid_summer.csv
Este libro es un enredo único de teoría, ejemplos y procesos relevantes para el Aprendizaje Automático Responsable. Encontrará intuiciones y ejemplos para el Aprendizaje Automático Interpretable (IML) y la Inteligencia Artificial eXplicable (XAI). Las descripciones se complementan con fragmentos de código con ejemplos para R con el uso de los paquetes randomForest, mlr3 y DALEX. Finalmente, el proceso se muestra a través de un cómic que describe las aventuras de dos personajes, Beta y Bit. La interacción de estos dos muestra las decisiones a las que a menudo se enfrentan los analistas, ya sea para probar un modelo diferente, para probar otra técnica de exploración o para buscar otros datos, cuestiones como la comparación de modelos o su validación.
Todos los ejemplos son totalmente reproducibles, de modo que se pueden reproducir todas las aventuras en un escritorio local.
El desarrollo de modelos es una tarea responsable y desafiante, pero también una aventura apasionante. A veces los libros de texto se centran sólo en la parte técnica, perdiendo toda la diversión. Aquí lo vamos a tener todo.
Tenga en cuenta que se trata de conjuntos de datos artificiales generados para imitar las relaciones presentes en los datos reales.
Research fellow in human and artificial cognition at the Centre for Change and Complexity in Learning at the University of South Australia.
EN:
Data science requires knowledge of the data and the methods to parse such data. A new kid
on the analytical block is gaining popularity among data scientists: machine learning. It is
powerful as it combines long-standing statistical methods with computational versatility. But
as as the ‘Peter Parker principle’ goes ‘with great power comes great responsibility’. Biecek’s
textbook provides a concise tutorial on how to tame the power of machine learning
responsibly. This textbook needs to be read by anyone daring to tickle the power of machine
learning.
ES:
La ciencia de datos requiere conocimiento de los datos y los métodos para analizar dichos
datos. Un nuevo chico en el bloque analítico está ganando popularidad entre los científicos
de datos: el aprendizaje de máquinas. Es poderoso ya que combina métodos estadísticos
bien establecidos con versatilidad computacional. Pero como dice el 'principio de Peter
Parker', 'un gran poder conlleva una gran responsabilidad'. El libro de texto de Biecek
proporciona un tutorial conciso sobre cómo dominar el poder del aprendizaje de máquinas
de manera responsable. Este libro de texto debe ser leído por cualquiera que se atreva a
aprovechar el poder del aprendizaje automático.