一个人、二十年、只钻研 机器学习（主要研究方向：可解释性、负责任的人工智能、决策/认知科学、行为经济学和因果推理）
他写的这本书也只做一件事，那就是 研究机器学习深度学习黑盒模型的可解释性！
这本书的第二版在亚马逊评分高达 4.9分
PDF和代码已经打包好了，为了避免添加人数过多出现频繁，大家可以随便添加一个小助手，让她发给你
这本书的每一章都用 文本、Python 代码和图表 相结合的形式让大家可以更好的读懂。
并在每章最后有一个 任务完成、总结、数据集来源和进一步阅读环节。
机器学习一直被称为黑盒模型，主要是因为其内部的工作机制往往难以解释。
要将机器学习技术落地使用，模型具有 可解释性 是必要的。
特别是 医疗、金融、司法 等等领域，机器学习模型必须具有可解释性。
而这本书将会使用综合工具包（包括 SHAP、特征重要性和因果推理）深入探讨 机器学习可解释性 的关键方面和挑战，以构建更公平、更安全、更可靠的模型。
通过这本书你可以学会
从基础到高级技术的进展，例如因果推理和量化不确定性。
从分析线性模型和逻辑模型到复杂模型，例如CatBoost、CNN和NLP转换器，构建技能集。
使用单调性和交互约束来创建更公平和更安全的模型。
了解如何缓解数据集中偏见的影响。
利用敏感性分析素优先级和因素固定来为任何模型提供支持。
探索如何通过对抗鲁棒性使模型更可靠。
如果喜欢本篇的内容记得点点再看，并把他转发到你的朋友圈。请永远不要停止学习，这是你武装自己对抗这个世界最有力的武器！
