本书向你介绍了如何使 (监督) 机器学习模型可解释。虽然本书中包含⼀些数学公式，但是即使没有公式，你也需要能够理解这些⽅法背后的思想。本书不适合机器学习初学者。如果你不熟悉机器学习，则有很多书籍和其他资源可以学习基础知识。关于机器学习的⼊门学习，我推荐在线学习平台 coursera.com 上的 Hastie， Tibshirani 和 Friedman[1] 所著的《The Elements of StatisticalLearning》⼀书和 Andrew Ng 的 “机器学习” 在线课程。
这些书本和在线课程都是免费的！⽬前解释机器学习模型的新⽅法以惊⼈的速度发表，跟上所有已发布的内容⾮常不现实。这就是为什么你不会在本书中看到最新颖、最奇特的⽅法，⽽是看到机器学习可解释性的成熟⽅法和基本概念。这些基础知识可以帮助你使机器学习模型具有可解释性。你阅读本书后，内化基础知识还使你能够更好地理解和评估 arxiv.org 上发表的有关可解释性的新论⽂。
内容整理自网络，感谢作者对原著翻译。源地址：https://github.com/MingchaoZhu/InterpretableMLBook
文末附本书最新版免费下载地址。
本书以⼀些 (反乌托邦式的) 短篇⼩说作为开篇，这些短篇⼩说不是理解这本书所必需的，但希望它们能使你愉悦并引起思考。然后，本书探讨了机器学习可解释性的概念。我们将讨论可解释性何时重要，以及有哪些不同类型的解释。
本书目录
