Importamos Historias - Libros con hasta 50% de dto  Ver más

Enviar a
Montevideo, Montevideo
0

Mi Cuenta

  • argentina
  • chile
  • colombia
  • españa
  • méxico
  • perú
  • estados unidos
  • internacional

menú

Selecciona tu país

América

Europa

Resto del mundo

portada Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair ai Pipelines (en Inglés)
Formato
Libro Físico
Autor
Editorial
Año
2022
Idioma
Inglés
N° páginas
350
Encuadernación
Tapa Blanda
Dimensiones
23.1x17.5x2 cm
Peso
0.50 kg.
ISBN13
9781098120276
N° edición
1
Categorías

Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair ai Pipelines (en Inglés)

Yada Pruksachatkun (Autor) · Matthew McAteer (Autor) · Subhabrata Majumdar (Autor) · O'Reilly Media · Tapa Blanda

Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair ai Pipelines (en Inglés) - Pruksachatkun, Yada ; McAteer, Matthew ; Majumdar, Subhabrata

Libro Nuevo Importado
Envío: 19 a 25 días háb.
$ 5.527$ 2.764
-50%
Costos de importación incluídos en el precio ✅
Libro Nuevo

Quedan 100 unidades

$ 2.764
Llega entre el 01 Oct y el 09 Oct a Montevideo, Montevideo. Seleccionar ubicación

Elige la lista en la que quieres agregar tu producto o crea una nueva lista

Ir a Mis Listas
Calcula el costo de envío

Reseña del libro "Practicing Trustworthy Machine Learning: Consistent, Transparent, and Fair ai Pipelines (en Inglés)"

With the increasing use of AI in high-stakes domains such as medicine, law, and defense, organizations spend a lot of time and money to make ML models trustworthy. Many books on the subject offer deep dives into theories and concepts. This guide provides a practical starting point to help development teams produce models that are secure, more robust, less biased, and more explainable. Authors Yada Pruksachatkun, Matthew McAteer, and Subhabrata Majumdar translate best practices in the academic literature for curating datasets and building models into a blueprint for building industry-grade trusted ML systems. With this book, engineers and data scientists will gain a much-needed foundation for releasing trustworthy ML applications into a noisy, messy, and often hostile world. You'll learn: Methods to explain ML models and their outputs to stakeholders How to recognize and fix fairness concerns and privacy leaks in an ML pipeline How to develop ML systems that are robust and secure against malicious attacks Important systemic considerations, like how to manage trust debt and which ML obstacles require human intervention

Opiniones del libro

Ver más opiniones de clientes
  • 0% (0)
  • 0% (0)
  • 0% (0)
  • 0% (0)
  • 0% (0)

Preguntas frecuentes sobre el libro

¿El libro es original?

Todos los libros de nuestro catálogo son Originales.

¿En qué Idioma está escrito el libro?

El libro está escrito en Inglés.

¿Cuál es la encuadernación de este libro?

La encuadernación de esta edición es Tapa Blanda.

Preguntas y respuestas sobre el libro

¿Tienes una pregunta sobre el libro? Inicia sesión para poder agregar tu propia pregunta.

Opiniones sobre Buscalibre

Ver más opiniones de clientes